CENTRO FEDERAL DE EDUCAÇÃO

TECNOLÓGICA DE MINAS GERAIS

Diretoria de Pesquisa e Pós-Graduação
Programa de Pós-Graduação em
Modelagem Matemática e Computacional

Algoritmos e Modelos
Matemáticos para o Problema da
k-Partição de Números

Alexandre Frias Faria

Orientador : Prof. Dr. Sérgio Ricardo de Souza

Co-Orientador : Prof. Dr. Carlos Alexandre Silva

Belo Horizonte
Fevereiro de 2017
 CENTRO FEDERAL DE EDUCAÇÃO
TECNOLÓGICA DE MINAS GERAIS
Diretoria de Pesquisa e Pós-Graduação
Programa de Pós-Graduação em
Modelagem Matemática e Computacional

Algoritmos e Modelos
Matemáticos para o Problema da
k-Partição de Números

Dissertação submetida ao Programa de Pós-

Graduação em Modelagem Matemática e Compu-
tacional, como parte dos requisitos exigidos para a
obtenção do título de Mestre em Modelagem Ma-
temática e Computacional.

Alexandre Frias Faria

Orientador : Prof. Dr. Sérgio Ricardo de Souza

Co-Orientador : Prof. Dr. Carlos Alexandre Silva

Belo Horizonte
Fevereiro de 2017
 Faria, Alexandre Frias
F224a Algoritmos e modelos matemáticos para o problema da k-partição
de números. / Alexandre Frias Faria. – – Belo Horizonte, 2017.
x, 67 f. : il.

Dissertação (mestrado) – Centro Federal de Educação

Tecnológica de Minas Gerais, Programa de Pós-Graduação em
Modelagem Matemática e Computacional, 2017.
Orientador: Prof. Dr. Sérgio Ricardo de Souza
Coorientador: Prof. Dr. Carlos Alexandre Silva

Bibliografia

1. Otimização Combinatória. 2. Programação (Matemática).

3.Heurística. I. Souza, Sérgio Ricardo de. II. Centro Federal de
Educação Tecnológica de Minas Gerais. III. Título

CDD 519.6

Elaboração da ficha catalográfica pela Biblioteca-Campus II / CEFET-MG

Agradecimentos

Aos meus amigos, que sempre me ajudam muito;

Aos colegas, que proporcionaram boas trocas durante o mestrado;
Em especial ao meu orientador Prof. Dr. Sérgio Ricardo de Souza pela orientação,
paciência, compromisso e conselhos.
Ao meu co-orientador Prof. Dr. Carlos Alexandre Silva por acompanhar o desen-
volvimento deste trabalho;
Aos meus professores do curso de Mestrado em Modelagem Matemática e Compu-
tacional do CEFET-MG, pelos bons ensinamentos;
Ao CEFET-MG, FAPEMIG e CAPES pelo apoio financeiro.

ii
Resumo

Esta dissertação de mestrado apresenta uma formulação matemática e algoritmos

para a versão de otimização do Problema da k-Partição de Números. Este problema
consiste em distribuir os elementos de uma sequência numérica em k subconjuntos
disjuntos, de modo que os resultados das somas dos elementos de cada subconjunto
fiquem contidos no menor intervalo possível. A formulação matemática proposta é
baseada em dois problemas semelhantes da literatura. Elimina-se a multiplicidade
de soluções do modelo de programação inteira, reduzindo ao mínimo o número de va-
riáveis. Mostra-se a NP-completude do problema estudado. Estudam-se algoritmos
heurísticos, aproximados e exatos da literatura aplicáveis aos problemas relaciona-
dos. Aplica-se a meta-heurística ILS (Iterated Local Search) à solução gerada por
um algoritmo aproximado. A estratégia utilizada é aplicar método guloso em todas
as fases do algoritmo, tanto na inicialização quanto para a escolha de movimentos
do ILS. Propõe-se uma melhoria de métodos exatos Branch-and-Bound aplicados
ao problema e presentes na literatura . Esta modificação refina os limitantes do
método, usando a relaxação do modelo matemático e ILS propostos. Insere-se um
critério de busca para que os nós mais promissores tenham prioridade. Os resultados
mostram a solução do ILS superando as soluções de heurísticas construtivas listadas
na literatura. A qualidade da solução do ILS é certificada por métodos exatos, um
da literatura e outro com as melhorias propostas neste trabalho. As modificações do
algoritmo exato se mostram eficazes em uma comparação entre a solução alcançada
sobre o número de nós explorados nas duas versões.

PALAVRAS-CHAVE: Problema da k-Partição de Números, Problema da Partição

de Números, Iterated Local Search, Complete Karmarkar-Karp Algorithm.

iii
Abstract

This dissertation presents a mathematical formulation and algorithms for the op-
timization version of the Multi-Way Number Partitioning Problem. The problem
consists in distributing the elements of a given set into k disjoint subsets such that
the sum of each subset elements fits in the shortest interval. The proposed mathema-
tical formulation is based on two similar problems in the literature. The multiplicity
of solutions of the integer programming model are eliminated by reducing the num-
ber of variables to a minimum. The NP-completeness of the problem studied is
shown. Heuristic, approximate and exact algorithms of the literature for related
problems are studied. The ILS meta-heuristic (Iterated Local Search) is applied
to the solution generated by an approximate algorithm. The strategy is to apply
greedy method in all phases of the algorithm, both in initialization and in the choice
of ILS movements. It is proposed to improve the exact Branch-and-Bound methods
present in the literature. This modification refines the limitations of the method
using the relaxation of the proposed mathematical model and ILS. A search crite-
rion is inserted so that the most promising nodes have priority. The results show
the solution of ILS overcoming the solutions of constructive heuristics listed in the
literature. The quality of the solution ILS is certified by exact methods, one of the
literature and another with the improvements proposed in this work. The modi-
fications of the exact algorithm are shown to be effective in comparing the ration
between solution achieved and number of nodes exploited in the two versions.

KEY WORDS: Multi-way Number Partitioning Problem, Number Partitioning Pro-

blem, Iterated Local Search, Complete Karmarkar-Karp Algorithm.

iv
Lista de Figuras

1.1 Relações entre os 4 problemas. . . . . . . . . . . . . . . . . . . . . . . 7

2.1 O Maior dos Números de Stirling vs Funções Exponenciais. Dados

retirados de Sloane (1991). . . . . . . . . . . . . . . . . . . . . . . . . 11

4.1 Exemplo de árvore de busca completa para o MWNPP: |V | = 4 e

k = 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.2 Exemplo de árvore de busca sem partes vazias para o MWNPP: V =
{8, 7, 6, 5} e k = 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.3 Exemplo de árvore de busca com podas V = {8, 7, 6, 5, 4} e k = 3. . . 41
4.4 Exemplo de árvore de busca com podas e terminada com o algoritmo
(LPT) a partir do nível n − k − 2. . . . . . . . . . . . . . . . . . . . . 41

v
Lista de Tabelas

2.1 Quadro das publicações mais relevantes. . . . . . . . . . . . . . . . . 19

6.1 Comparação entre ILS e heurísticas construtivas com k = 3. . . . . . 55

6.2 Comparação entre ILS e heurísticas construtivas com k = 4. . . . . . 55
6.3 Comparação entre ILS e heurísticas construtivas com k = 5. . . . . . 56
6.4 Comparação entre ILS e heurísticas construtivas com k = 6. . . . . . 56
6.5 Comparação entre metaheurística ILS, Heurística de Karmarkar-Karp
e Heurística Lpt_1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
6.6 Comparação entre quartis do Gap() das instâncias para cada valor de
k. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
6.7 Tabela com o Gap(CGA/CGA + ILS) mostrando o CGA+ILS re-
torna respostas estritamente menores que as do CGA quando o mé-
todo não converge antes de 3600 segundos. . . . . . . . . . . . . . . . 58
6.8 Menor limite superior histórico e número de nós explorados pelo CGA. 59
6.9 Menor limite superior histórico e número de nós explorados pelo
CGA+ILS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

vi
Lista de Algoritmos

2.1 Algoritmo exato hipotético . . . . . . . . . . . . . . . . . . . . . . . . 16

3.1 Algoritmo MA (I) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

3.2 Busca pelo valor mínimo usando o MWNPP2_d . . . . . . . . . . . . 25

4.1 Longest Processing Time para k máquinas Graham (1966, 1969) . . . . 28

4.2 Algoritmo 0/1-Interchange (Finn e Horowitz, 1979) . . . . . . . . . . . 29
4.3 subsetsum(): algoritmo exato para Soma de Subconjuntos (Ausiello
et al., 2003a) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.4 Algoritmo ILS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.5 Heurística de Karmarkar-Karp com k = 2 (Karmarkar e Karp, 1982) . 32
4.6 opera(x, y, k); Modificação na Heurística de Karmarkar-Karp para a
solução do MWNPP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.7 Heurística de Karmarkar-Karp para k > 2 . . . . . . . . . . . . . . . . 33
4.8 Método de Branch-and-Bound. . . . . . . . . . . . . . . . . . . . . . . 35
4.10 upper(): limite superior do Algoritmo CGA baseado no Algoritmo 4.1 38
4.9 lower(): limite inferior do Algoritmo CGA. . . . . . . . . . . . . . . . 38
4.11 ramif ica(): função de ramificação do Algoritmo CGA. . . . . . . . . . 39
4.12 Algoritmo CGA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

5.1 iterails(): Algoritmo de solução Geral para o MWNPP. . . . . . . . . 43

5.2 ils(): Adaptação do ILS para a solução do Problema da k-Partição de
Números. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.3 Lpt_1: guarda as melhores soluções de n iterações do LPT . . . . . . 47
5.4 kpart(): o algoritmo retorna parte a parte, usando, k vezes, um algo-
ritmo exato para o Problema da Soma de Subconjuntos. . . . . . . . . 48
5.5 lower(): limite inferior do CGA baseado na relaxação do modelo ma-
temático (2.25)-(2.29). . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.6 Limite superior refinado pelo ILS baseado nos algoritmos 5.1 e 5.2,
upper() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.7 Prioridade de busca do CGA+ILS baseado no critério de otimalidade
local, prioridade() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.8 Algoritmo Híbrido CGA+ILS . . . . . . . . . . . . . . . . . . . . . . . 52

vii
Sumário

1 Introdução 1
1.1 Definições Iniciais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Problema da Partição de Números . . . . . . . . . . . . . . . . . . . . 2
1.3 Problema da k-Partição de Números . . . . . . . . . . . . . . . . . . 3
1.4 Problema Multidimensional da Partição de Números . . . . . . . . . . 4
1.5 Problema Multidimensional da k-Partição de Números . . . . . . . . 5
1.6 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.8 Justificativas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.9 Organização da Dissertação . . . . . . . . . . . . . . . . . . . . . . . 8

2 Caracterização do Problema 9
2.1 Definição do Problema da k-Partição de Números . . . . . . . . . . . 9
2.2 Formulação Matemática . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Solução via Algoritmo Ingênuo . . . . . . . . . . . . . . . . . . . . . . 15
2.4 Revisão Bibliográfica . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4.1 Uma Visão Histórica . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.2 Panorama das Publicações mais Relevantes . . . . . . . . . . . 18

3 Análise de Complexidade do MWNPP 20

3.1 Conceitos Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2 TWNPP se reduz ao MWNPP . . . . . . . . . . . . . . . . . . . . . . 22
3.3 Análise da versão de Otimização do MWNPP . . . . . . . . . . . . . 24

4 Fundamentação Teórica 27
4.1 Algoritmo Longest Processing Time first (LPT) . . . . . . . . . . . . 27
4.2 Algoritmo 0/1-Interchange . . . . . . . . . . . . . . . . . . . . . . . . 28
4.3 Problema da Mochila e Soma dos Subconjuntos . . . . . . . . . . . . 29
4.4 Iterated Local Search (ILS) . . . . . . . . . . . . . . . . . . . . . . . . 31
4.5 Heurística de Karmarkar-Karp para k ≥ 2 . . . . . . . . . . . . . . . 31
4.6 Método de Branch and Bound . . . . . . . . . . . . . . . . . . . . . 34
4.7 Complete Greedy Algorithm (CGA) . . . . . . . . . . . . . . . . . . . 36

5 Algoritmos Propostos para o Problema da k-Partição de Números 42

5.1 Algoritmo Genérico para MWNPP . . . . . . . . . . . . . . . . . . . 42
5.2 Adaptação do ILS para a Solução do Problema da k-Partição de Nú-
meros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

viii
 5.2.1 Movimento e Vizinhança . . . . . . . . . . . . . . . . . . . . . 44
5.2.2 Estratégia de Realocação . . . . . . . . . . . . . . . . . . . . . 44
5.2.3 Critérios de Parada . . . . . . . . . . . . . . . . . . . . . . . . 45
5.2.4 Implementação . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.3 Intensificação do LPT . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.4 Algoritmos Exatos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.5 Algoritmo Híbrido CGA+ILS . . . . . . . . . . . . . . . . . . . . . . 48
5.5.1 Limite Inferior para a Relaxação . . . . . . . . . . . . . . . . . 49
5.5.2 Limite Superior para a Relaxação . . . . . . . . . . . . . . . . 50
5.5.3 Prioridade de Busca na Árvore . . . . . . . . . . . . . . . . . 50
5.5.4 Estrutura Geral do Algoritmo CGA+ILS . . . . . . . . . . . . 51

6 Resultados Computacionais 53
6.1 Algoritmos Heurísticos . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.2 Algoritmos Exatos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

7 Conclusão 61
7.1 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
7.2 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

Referências 64

ix
Capítulo 1

Introdução

Entende-se por partição de um conjunto X a uma coleção de subconjuntos, dois

a dois disjuntos, cuja união forma X. Uma k-partição ocorre quando a partição tem
exatamente k subconjuntos não vazios. Durante o decorrer do texto, os subconjuntos
pertencentes à partição são denominados de partes.
O Problema da Partição de Números (Two-Way Number Partitioning Problem –
TWNPP) já foi chamado de “O mais fácil problema NP-completo” por Hayes (2002),
mas os problemas generalizados que derivam dele são muito mais complicados. Vari-
ações menos gerais desse problema se limitam a encontrar uma partição com partes
de tamanho fixo, como o 3-Partition Problem, encontrado em Joosten e Zantema
(2013), ou mudam o objetivo original para um problema de escalonamento, como
em Moffitt (2013).
Embora seja um dos 21 problemas de classe NP-completos discutidos por Karp
(1972), existem algoritmos exatos para o TWNPP, como em Schroeppel e Shamir
(1981), Horowitz e Sahni (1974) e Korf (1998)), como também muitos algoritmos
aproximados aplicáveis ao problema, analisados em Gent e Walsh (1998) e Ausiello
et al. (2003a).
Neste Capítulo introdutório apresenta-se, na Seção 1.1, a família de Problemas de
Partição de Números. Os objetivos gerais e específicos desta dissertação são postos
na Seção 1.6. Em seguida, apresenta-se, na Seção 1.7, a metodologia empregada
para sua realização. Logo após, na Seção 1.8, uma justificativa para este estudo
é incluída. Por fim, a Seção 1.9 mostra a organização geral da Dissertação e sua
divisão por capítulos.

1.1 Definições Iniciais

Os conceitos de norma, diâmetro e bola são importantes para melhor compre-
ensão da Seção 1.1 pois com eles é possível enunciar todos os problemas das Seções
1.2, 1.3, 1.4 e 1.5, mantendo a mesma natureza da função objetivo. Esses conceitos
se encontram formalmente descritos em Lima (2004).

Definição 1.1.1 Uma função k.kp : Rn → R+ é uma norma de Rn se, para quais-
quer x, y ∈ Rn e a ∈ R:

• kxkp ≥ 0

1
1.2 Problema da Partição de Números 2

• kxkp = 0 ⇔ x = ~0

• ka.xkp = |a|. kxkp

• kx + ykp ≤ kxkp + kykp

Nesse texto usa-se p = ∞, ou seja, a norma do máximo, que retorna a maior

coordenada do vetor.

Definição 1.1.2 Sejam dois vetores x, y ∈ Rn . A distância entre x e y é dada por

d(x, y) = kx − ykp .

Definição 1.1.3 Seja um subconjunto X ⊆ Rn . O diâmetro de X é diam(X) =

max {d(x1 , x2 )}.
x1 ,x2 ∈X

Definição 1.1.4 Seja um ponto v0 ∈ Rn e um número real positivo r. Uma bola de

centro v0 e raio r é o conjunto de pontos v ∈ Rn tais que kv − v0 kp ≤ r.

Proposição 1.1.1 O diâmetro de um conjunto é duas vezes o raio da menor bola

que contém todos os elementos deste conjunto.

Com o objetivo de apresentar o Problema da k-Partição de Números, nas seções

seguintes mostra-se uma sequência de outros problemas diretamente relacionados
com o mesmo. Nota-se que é possível enunciar, genericamente, todos os problemas
da seguinte forma:

Definição 1.1.5 Seja um conjunto de índices In = {1, 2, ..., n}, uma sequência de
vetores V = {vi ∈ Zm + : i ∈ In } e um inteiro k. O objetivo é encontrar uma k-
partição de In de modo que os valores das somas dos elementos vi de cada parte
fiquem contidos dentro da menor bola possível.

Nessa dissertação, usa-se V k = (V, k) denotando uma instância do Problema da

k-Partição de Números, sendo V a sequência a ser particionada e k o número de
partes não vazias. A expressão “particionar V ” tem o mesmo sentido que particionar
o conjunto de índices que indexam seus elementos. Em seguida, mostra-se um
enunciado para cada versão desse problema, com exemplo associado logo em seguida.

1.2 Problema da Partição de Números

O Problema da Partição de Números (Two-Way Number Partitioning Problem
– TWNPP) é a tarefa de minimizar a diferença das somas de dois subconjuntos
disjuntos de uma sequência V . Essa é a versão mais simples e popular do problema,
apresentada por Karp (1972) e tratada em diversos artigos, como Pedroso e Kubo
(2010) e Gent e Walsh (1998). O tamanho da bola, nesse caso, é o comprimento
do intervalo formado pelo resultado das duas somas. O Exemplo 1.2.1 mostra essa
situação.
1.3 Problema da k-Partição de Números 3

Exemplo 1.2.1 A sequência V = {87, 6, 5, 45, 34, 2, 24, 12, 7, 6, 54, 34} pode ser par-
ticionada em:

{87, 34, 24, 6, 5}, {54, 45, 34, 12, 7, 6, 2}

| P {z } | P
{z }
i∈A1 vi =156 i∈A2 vi =160

O valor da função objetivo dessa partição é 160 − 156 = 4, mas a partição ótima
é:
{87, 34, 24, 6, 5, 2}, {54, 45, 34, 12, 7, 6}
| P {z } | P {z }
i∈A1 vi =158 i∈A2 vi =158

com valor de função objetivo 158 − 158 = 0.

O enunciado matemático do Problema da Partição de Números consiste em en-
contrar um conjunto A 6= ∅, tal que A ⊂ In , que minimize a função:
 
 
X X 
f (A) =  vi − vi  (1.1)
 i∈A i∈In \A 

A partir desse problema, encontram-se duas generalizações distintas, abordadas

nos tópicos a seguir.

1.3 Problema da k-Partição de Números

A primeira generalização do TWNPP é o Problema da k-Partição de Números
(Multi-way Number Partitioning Problem – MWNPP), que expande o número de
subconjuntos nos quais se pretende distribuir os elementos da sequência V .
Dada uma sequência numérica V , o objetivo é encontrar uma partição de dimen-
são k, de modo que as somas dos elementos de cada parte sejam as mais próximas
possíveis umas das outras. Isso se resume a ter a parte de maior soma se aproxi-
mando da parte de menor soma tanto quanto for possível. Os textos que abordam
essa versão são, dentre outros, Karmarkar e Karp (1982), Korf (2009), Korf et al.
(2014). Um trabalho recente de forte interesse, pela sua completude, é Schreiber
(2014).
O exemplo a seguir mostra uma situação desse problema.
Exemplo 1.3.1 A sequência V = {87, 6, 5, 45, 34, 2, 24, 12, 7, 6, 54, 34} pode ser par-
ticionada em k = 3 partes das seguintes maneiras:

{87, 12, 6} , {45, 34, 6, 24}, {5, 7, 2, 54, 34}

P
| {z } | P {z } | P {z }
i∈A1 vi =105 i∈A2 vi =109 i∈A3 vi =102

O valor da função objetivo dessa partição é 109 − 102 = 7, mas a partição ótima é:
{87, 12, 6} , {45, 34, 2, 24}, {5, 7, 6, 54, 34}
P
| {z } | P {z } | P {z }
i∈A1 vi =105 i∈A2 vi =105 i∈A3 vi =106

com valor de função objetivo 106 − 105 = 1. Observe que as partes possuem dimen-
sões (número de elementos) diferentes.
1.4 Problema Multidimensional da Partição de Números 4

A entrada do problema é uma sequência V e um inteiro positivo k e a saída é

uma partição de V , na forma {A1 , A2 , ..., Ak }. O objetivo é minimizar a função:
   
X  X 
f ({A1 , A2 , ..., Ak }) = max vi − min vi (1.2)
j   j  
i∈Aj i∈Aj

X é uma versão simplificada do diâmetro de um conjunto com k

A função (1.2)
números reais, vi , mostrada abaixo:
i∈Aj
 
X X 
f ({A1 , A2 , ..., Ak }) = max
0
vi − vi (1.3)
j 6=j  
i∈Aj 0 i∈Aj

1.4 Problema Multidimensional da Partição de Nú-

meros
A segunda generalização do TWNPP é o Problema Multidimensional da Partição
de Números (Multidimensional Two-Way Number Partitioning Problem – MDTWNPP).
Neste problema, tem-se a dimensão dos elementos, m > 1, transformando uma
sequência V de inteiros em uma sequência de vetores inteiros positivos V = {vi ∈
Zm+ : ∀i ∈ In }. Para definir este problema, faz-se necessário o uso de uma norma
em Rm .
Seu enunciado matemático, proposto por Kojić (2010), é muito parecido com o
TWNPP, porém, após somar os elementos de cada um dos subconjuntos, tem-se um
vetor, cuja norma será o valor do objetivo. A busca é um conjunto A ⊆ In não vazio
que minimize a função:

X X

f (A) = vi − v i

(1.4)
i∈A i∈In \A
p
X
Quando p = ∞, a função f (·) retorna a maior coordenada do vetor vi −
X i∈A
vi , sendo equivalente à função objetivo proposta para o problema no artigo
i∈In \A
citado. Então, seja vil um inteiro positivo, com i indexando o vetor vi , variando de
1 até n, e l sendo a coordenada do vetor vi , variando de 1 até m. O conjunto In é o
conjunto dos índices i e a variável de decisão A é um subconjunto de In .
 
 X X 
f (A) = max vil − vil (1.5)
l  
i∈In \A i∈A

Exemplo 1.4.1 O conjunto

V = {(8, 3, 6, 3), (8, 3, 12, 3), (8, 3, 0, 3), (17, 5, 10, 5), (10, 5, 10, 5),
(10, 5, 10, 3), (8, 3, 6, 1), (5, 3, 6, 3)}
1.5 Problema Multidimensional da k-Partição de Números 5

com m = 4 e k = 2 pode ser particionado como:

{vi : i ∈ A1 } = {(17, 5, 10, 5), (8, 3, 0, 3), (10, 5, 10, 5), (10, 5, 10, 3)},
| P
{z }
i∈A1 vi =(45,18,30,16)

{vi : i ∈ A2 } = {(8, 3, 6, 3), (8, 3, 12, 3), (8, 3, 6, 1), (5, 3, 6, 3)}
| P
{z }
i∈A2 vi =(29,12,30,10)

com um valor de função objetivo

max{|(45, 18, 30, 16) − (29, 12, 30, 10)|} = max{|(16, 6, 0, 6)|} = 16
mas tem partição ótima dada por:
{vi : i ∈ A1 } = {(17, 5, 10, 5), (10, 5, 10, 5), (10, 5, 10, 3)},
| P
{z }
i∈A1 vi =(37,15,30,13)

{vi : i ∈ A2 } = {(8, 3, 6, 3), (8, 3, 12, 3), (8, 3, 0, 3), (8, 3, 6, 1), (5, 3, 6, 3)}
| P
{z }
i∈A2 vi =(37,15,30,13)

com valor de função objetivo:

max{|(37, 15, 30, 13) − (37, 15, 30, 13)|} = max{|(0, 0, 0, 0)|} = 0

1.5 Problema Multidimensional da k-Partição de Nú-

meros
O Problema Multidimensional da k-Partição de Números (Multidimensional Multi-
Way Number Partitioning Problem – MDMWNPP) é uma generalização tanto do
MWNPP quanto do MDTWNPP. Neste problema, uma sequência de vetores em
Zm+ deve ser dividida em k subconjuntos, de modo que o diâmetro desses k vetores
resultantes seja o menor possível. O Exemplo 1.5.1 ilustra essa situação.
Exemplo 1.5.1 Seja o conjunto:
S = {(37, 15, 30, 13), (8, 3, 6, 3), (8, 3, 12, 3), (8, 3, 0, 3), (17, 5, 10, 5),
(10, 5, 10, 5), (10, 5, 10, 3), (8, 3, 6, 1), (5, 3, 6, 3)}
Para m = 4 e k = 3, pode ser particionado em:

{vi : i ∈ A1 } = {(17, 5, 10, 5), (10, 5, 10, 5), (10, 5, 10, 3)},
| P
{z }
i∈A1 vi =(37,15,30,13)

{vi : i ∈ A2 } = {(37, 15, 30, 13), (8, 3, 0, 3)},

| P
{z }
i∈A2 vi =(45,18,30,16)

{vi : i ∈ A3 } = {(8, 3, 6, 3), (8, 3, 12, 3), (8, 3, 6, 1), (5, 3, 6, 3)}
| P
{z }
i∈A3 vi =(29,12,30,10)
1.6 Problema Multidimensional da k-Partição de Números 6

com valor de função objetivo dada por:

max {|(45, 18, 30, 16) − (29, 12, 30, 10)|, |(37, 15, 30, 13) − (29, 12, 30, 10)|,
|(45, 18, 30, 16) − (37, 15, 30, 13)|}
= max {|(16, 6, 0, 6)|, |(8, 3, 0, 3)|, |(8, 3, 0, 3)|} = 16

mas com partição ótima:

{vi : i ∈ A1 } = {(17, 5, 10, 5), (10, 5, 10, 5), (10, 5, 10, 3)},
| P
{z }
i∈A1 vi =(37,15,30,13)

{vi : i ∈ A2 } = {(37, 15, 30, 13)} ,

|
P
{z }
i∈A2 vi =(37,15,30,13)

{vi : i ∈ A3 } = {(8, 3, 6, 3), (8, 3, 12, 3), (8, 3, 0, 3), (8, 3, 6, 1), (5, 3, 6, 3)}
| P
{z }
i∈A3 vi =(37,15,30,13)

e com valor de função objetivo igual a 0, pois todas as partes têm igual soma. Sendo
assim, o diâmetro desse conjunto é a maior coordenada de 3 vetores nulos.

Ou seja, o objetivo é equivalente a minimizar a maior distância entre dois de

todos os vetores, dada pela expressão:
 

X X 
f ({A1 , A2 , ..., Ak }) = max vi − vi (1.6)
(j 0 ,j) 
i∈Aj0

i∈Aj
p

A expressão (1.6) pode ser utilizada como a função objetivo de qualquer um dos
problemas enunciados acima, seja do Problema apresentado na Seção 1.2, seja do
Problema apresentado na Seção 1.5 atual, sem qualquer inconsistência.
O trabalho de Pop e Matei (2013) adapta um outro modelo para o MDMWNPP,
a partir da formulação matemática apresentada em Kojić (2010) para o MDTWNPP
mostrada na Subseção 1.4.X
Seja vi ∈ Zm + e Sj = vi . A função objetivo é a maior diferença entre duas
i∈Aj
coordenadas de Sj 0 e Sj , para j 0 6= j, na forma:
 
 X X 

f ({A1 , A2 , ..., Ak }) = max max vil − min vil  (1.7)
l  j 0 j

i∈Aj 0 i∈Aj

Nesta expressão, j e j 0 indexam as partes e variam de 1 até k; i vai de 1 até n e

indexa o vetor v dentro da parte Aj ; l é a coordenada do vetor v e vai de 1 até m.
Note que, ao contrário de todos os enunciados até aqui, a expressão (1.7) não
é igual à expressão (1.6) quando p = ∞. Esta formulação está fora do padrão da
Definição 1.1.5.
A Figura 1.1 resume as relações entre os quatro problemas apresentados.
1.8 Objetivos 7

MDMWNPP

MWNPP MDTWNPP

TWNPP

Figura 1.1: Relações entre os 4 problemas.

1.6 Objetivos
O objetivo geral deste trabalho é o estudo teórico e empírico do Problema da
k-Partição de Números baseado na análise de suas soluções heurísticas e exatas.
Os objetivos específicos do presente trabalho são avaliar a aplicação de algorit-
mos heurísticos com movimentos “gulosos” de troca e realocação, comparando-os
a heurísticas construtivas, testar suas possibilidades de aplicação como limitantes
de algoritmos exatos de enumeração implícita e verificar se as heurísticas propostas
geram limites superiores melhores que as da literatura.

1.7 Metodologia
Para alcançar os objetivos expostos na Seção 1.6, usam-se instâncias geradas
aleatoriamente. A avaliação do desempenho dos algoritmos propostos será com-
posta por análises descritivas, comparações de resultados obtidos por algoritmos da
literatura e estratégias abordadas nos trabalhos correlatos, citados na Seção 2.4 do
Capítulo 2.
Para alcançar esse objetivo, destaca-se a seguinte sequência metodológica:

(i) Realizar a pesquisa bibliográfica sobre o MWNPP e sobre as técnicas utilizadas

para solucioná-lo mesmo em artigos que modificaram o objetivo original do
problema.

(ii) Verificar outras formas de resolver o MWNPP usando algoritmos desenvolvidos

para problemas relacionados.

(iii) Analisar os resultados obtidos com cada método desenvolvido.

(iv) Analisar os resultados de forma comparativa.

1.9 Justificativas 8

1.8 Justificativas
O MWNPP é um problema NP-completo facilmente adaptável às classes de pro-
blemas reais de corte e empacotamento. Métodos aplicáveis ao MWNPP podem ser
aproveitados no estudo das soluções de outros problemas NP-completos. O MWNPP
apresenta diversos algoritmos exatos baseados em métodos de enumeração implícita
e programação dinâmica. Embora a complexidade desses algoritmos seja exponen-
cial, na prática, eles são bem mais rápidos que o esperado para instâncias de tamanho
razoável, de até 100 elementos. Esses fatos motivam a investigação de heurísticas
simples e eficientes para aumentar a velocidade de convergência dos métodos de
enumeração implícita aplicados ao MWNPP. Esse tipo de estudo, por um lado, tem
foco em garantir a otimalidade da solução encontrada quando o método exato tem
tempo o suficiente para finalizar sua busca, e por outro lado, reduzir o tempo neces-
sário para sua convergência. Em outras palavras, espera-se que a técnica empregada
apresente uma solução melhor em um período de tempo menor enquanto o método
não convergir.

1.9 Organização da Dissertação

O restante do texto está organizado segundo os comentários em cada capítulo a
seguir. No Capítulo 2, mostra-se o problema tratado com uma visão mais detalhada
usando enunciado, modelo matemático proposto, uma visão teórica sobre como en-
contrar suas soluções e um histórico de trabalhos sobre temas relacionados. No
Capítulo 3, apresentam-se alguns resultados relacionados a classe de complexidade
do problema estudado. O Capítulo 4 contém algoritmos para problemas auxiliares
aos métodos propostos do Capítulo 5. O Capítulo 5 apresenta algoritmos propos-
tos, heurísticos e exatos implementados e testados. Apresentam-se os resultados de
cada teste desse trabalho e uma análise dos mesmos no Capítulo 6. O Capítulo 7
finaliza a dissertação com uma discussão geral sobre o trabalho desenvolvido e uma
apresentação de parâmetros para trabalhos futuros.
Capítulo 2

Caracterização do Problema

Este Capítulo apresenta o problema abordado nesta dissertação. Está organizado

da seguinte forma: a Seção 2.1 apresenta a definição do problema e discute sua
dificuldade combinatória. A Seção 2.2 introduz uma formulação matemática para
o problema em Otimização Linear Inteira. A Seção 2.3 mostra uma solução teórica
exata.

2.1 Definição do Problema da k-Partição de Núme-

ros
O Problema da k-Partição de Números (Multi-Way Number Partitioning Problem
- MWNPP), apresentado na Seção 1.3, é a versão abordada, originalmente, em
Karmarkar e Karp (1982). Sua entrada é um conjunto V e a saída é uma partição
de V com tamanho k.

Enunciado 2.1.1 Seja V = {v1 , v2 , . . . , vn } um conjunto de inteiros positivos vl ,

l = 1, . . . , n, e k um número inteiro positivo. O Problema da k-Partição de Números
consiste em encontrar uma k-partição dos índices de V , na forma {A1 , A2 , . . . , Ak },
que minimize a função f (·) definida por:
   
X  X 
f ({A1 , A2 , . . . , Ak }) = max vi − min vi (2.1)
j0   j  
i∈Aj 0 i∈Aj

A dificuldade combinatória desse problema, quando resolvido por uma enume-

ração ingênua das k-partições de V , é dada pelo Número de Stirling S(n, k)1 , que
conta a quantidade de formas distintas de se repartir um conjunto de tamanho n
em k partes. Encontra-se uma análise mais detalhada do Número de Stirling em
Stanley (1997, pág. 80ff) e em Griffiths e Mezo (2010).
Defina S(n − 1, k) como o número de partições com k partes de um conjunto
com n − 1 elementos. Claro que o número de n-partições de um conjunto com n
elementos é 1 (ou seja, S(n, n) = 1) e o número de 1-partição de qualquer conjunto
é 1 (ou seja, S(n, 1) = 1). Se um n-ésimo elemento for adicionado ao conjunto, é
possível descobrir S(n, k) usando duas informações: S(n − 1, k − 1) e S(n − 1, k).
1
http://mathworld.wolfram.com/StirlingNumberoftheSecondKind.html

9
2.1 Definição do Problema da k-Partição de Números 10

Inserindo o n-ésimo elemento como a k-ésima parte, existem S(n − 1, k − 1)

possibilidades. Inserindo o n-ésimo elemento em uma das k partes já existentes,
contadas por S(n − 1, k), tem-se k S(n − 1, k) possibilidades:

S(n, k) = S(n − 1, k − 1) + k S(n − 1, k) (2.2)

Exemplo 2.1.1 Seja a sequência de inteiros V = {1, 2, 3}, para n = 3, e considere

k = 2. Assim, o Número de Stirling produz S(3, 2) = 3. Desse modo, as partições
são dadas por:
{1, 2}, {3};
{1, 3}, {2};
{2, 3}, {1};
Seja a mesma sequência de inteiros V = {1, 2, 3}, para n = 3, e considere k = 1.
Assim, o número de Stirling leva a S(3, 1) = 1 e à partição:

{1, 2, 3}

Considere agora o conjunto de inteiros V = {1, 2, 3, 4}, para n = 4, e seja k = 2.

Desse modo, as partições são dadas por:

{1, 2, 3}, {4}; {1, 2}, {3, 4};

{1, 2, 4}, {3}; {1, 3}, {2, 4};
{1, 3, 4}, {2}; {1, 4}, {2, 3};
{2, 3, 4}, {1}

Ou seja, a partir da expressão (2.2), tem-se que:

S(4, 2) = S(3, 1) + 2.S(3, 2) = 7

Ao usar um algoritmo ingênuo de enumeração, além de enumerar todas as par-

tições de tamanho k, ainda é justo inserir um fator multiplicador O(n), responsável
pelo custo de se avaliar a função objetivo. No fim dos cálculos, a ordem de comple-
xidade do algoritmo seria O (n.S(n, k)).
O Número de Stirling não tem fórmula fechada. Uma outra alternativa para
expressar essa quantidade, vista em Stanley (1997), é a expressão:
k  
1 X k−j k
S(n, k) = (−1) jn (2.3)
k! j=0 j

Esse número supera as complexidades de ordem exponenciais quando o valor de

k segue a sequência A0244172 . Se a(n) ∈ A024417 então S(n, a(n)) ≥ S(n, k), ∀k.
Esse fato pode ser conferido em A0028703 , a sequência do Maior Número de Stirling
indexada em n. Se a(n) ∈ A024417, então S(n, a(n)) ∈ A002870. O gráfico abaixo
mostra casos exponenciais em escala logarítmica comparados ao n-ésimo Maior Nú-
mero de Stirling. Este gráfico é composto por retas sendo cortadas por uma função
crescente.
2
http://oeis.org/A024417
3
http://oeis.org/A002870
2.2 Formulação Matemática 11

Comparação entre as ordens de complexidade

40
log(max(S(n,k))
35 n
log(2 )
log(3n)
30
número de operações

25

20

15

10

0
0 5 10 15 20 25
variável n

Figura 2.1: O Maior dos Números de Stirling vs Funções Exponenciais. Dados

retirados de Sloane (1991).

A On-Line Encyclopedia of Integer Sequences (OEIS) é uma base de dados pú-

blica com variadas sequências de números inteiros, criada por Sloane (1991). Nela é
possível buscar uma sequência numérica apenas digitando seus primeiros termos e,
também, encontrar os principais artigos ligados à mesma. É a fonte das sequências
A002870 e A024417.
A Figura 2.1 mostra que o Maior Número de Stirling domina assintoticamente
funções exponenciais, ou seja, para todo c > 1, existe n suficientemente grande tal
que S(n, a(n)) > cn .

2.2 Formulação Matemática

Dentre os problemas de Otimização Inteira mais conhecidos da literatura, os
mais próximos ao MWNPP são, certamente, o Problema do Empacotamento (Bin
Packing Problem - BPP) e o Problema de Escalonamento em Máquinas Idênticas
(Identical Machine Scheduling Problem - IMSP). Um modelo matemático para o
MWNPP deve herdar características dos modelos de Otimização Inteira para IMSP
e BPP, encontrados em Crescenzi et al. (1997) e Ausiello et al. (2003b). No texto a
seguir, usa-se a notação Ih = {y ∈ Z : 1 ≤ y ≤ h}, denotando o conjunto de todos
os inteiros entre 1 e h, inclusive. A literatura apresenta os seguintes enunciados e
formulações para esses dois problemas:

Problema do Empacotamento
Enunciado 2.2.1 Problema do Empacotamento (BPP): Sejam uma sequência de
itens {ai ∈ Z+ : i ∈ In } e pacotes de capacidade C ∈ Z+ , determinar qual é o
2.2 Formulação Matemática 12

menor número de pacotes suficientes para empacotar todos os itens.

Para resolver esse problema, deve-se encontrar uma partição da sequência dada
com o menor número de subconjuntos possível. A soma dos itens de cada um desses
subconjuntos não pode ultrapassar C. A formulação matemática, encontrada em
Ausiello et al. (2003b), está posta da seguinte maneira:

n
X
min yj (2.4)
j=1
Xn
suj. a ai xji ≤ Cyj , ∀j ∈ In (2.5)
i=1
n
X
xji = 1, ∀i ∈ In (2.6)
j=1
yj ∈ {0, 1}, ∀j ∈ In (2.7)
xji ∈ {0, 1}, ∀(j, i) ∈ In × In (2.8)

A função objetivo (2.4) mede a quantidade de pacotes usados na solução. As

desigualdades (2.5) indicam que todo item deve estar em algum pacote ativo e que
a capacidade máxima de cada pacote é C. As restrições (2.6) indicam que um item
não pode estar em mais de um pacote. As expressões (2.7) mostram a natureza
binária das variáveis yj , de modo que se o pacote j está ativo, então yj = 1; caso
contrário, yj = 0. Já as expressões (2.8) mostram a natureza binária das variáveis
xji , de modo que, se o item i está no pacote j, então xji = 1; caso contrário, xji = 0.

Problema de Escalonamento em Máquinas Idênticas

Enunciado 2.2.2 Problema de Escalonamento em Máquinas Idênticas (IMSP): da-
dos uma sequência de tarefas {ti ∈ Z+ : i ∈ In } e m máquinas paralelas idênticas,
determinar qual é o menor tempo suficiente para executar todas as tarefas nas m
máquinas.

Para resolver esse problema, deve-se encontrar uma m-partição, partição esta
com exatamente m subconjuntos, da sequência dada. O subconjunto com a maior
soma de tarefas deve ser minimizado. A formulação matemática, também encon-
trada em Ausiello et al. (2003b), é dada por:

min T (2.9)
n
X
suj. a 0< ti xji ≤ T, ∀j ∈ Im (2.10)
i=1
m
X
xji = 1, ∀i ∈ In (2.11)
j=1
T ∈ Z+ (2.12)
xji ∈ {0, 1}, ∀(j, i) ∈ Im × In (2.13)
2.2 Formulação Matemática 13

A função objetivo (2.9) mede o tempo de finalização da máquina mais atarefada.

As desigualdades (2.10) mostram que a variável T é um limitante máximo e que
nenhuma máquina pode ficar sem tarefas. As restrições (2.11) indicam que uma
tarefa i não pode estar em mais de uma máquina j. A expressão (2.12) mostra a
natureza de T , limite superior do tempo de execução das tarefas em qualquer das m
máquinas. As expressões 2.13 mostram a natureza das variáveis xji , de modo que,
se a tarefa i está na máquina j, então xji = 1; caso contrário, xji = 0.

Análise e Discussão das Formulações do BPP e do IMSP

Esta análise tem o objetivo de apresentar melhorias aos modelos matemáticos
discutidos até agora e é parte das contribuições efetivas desta dissertação. De ma-
neira similar aos modelos matemáticos apresentados para os problemas IMSP e BPP,
pode-se propor uma formulação matemática para o MWNPP, fiel ao Enunciado 2.1.1,
como abaixo:

min t2 − t1 (2.14)
X n
suj. a t1 ≤ vi xji ≤ t2 , ∀j ∈ Ik (2.15)
i=1
k
X
xji = 1, ∀i ∈ In (2.16)
j=1
t1 , t2 ∈ Z+ (2.17)
xji ∈ {0, 1}, ∀(j, i) ∈ Ik × In (2.18)

A relação de pertinência (2.18) indica que xji = 1 se o elemento de índice i do

conjunto V pertence à parte de índice j; e xji = 0, em caso contrário. A relação
(2.17) informa que os limitantes da maior e menor soma dos elementos das partes
são sempre positivos. As equações indicadas pela expressão (2.16) garantem que as
partes são disjuntas e que todos os elementos de V estão alocados em alguma parte.
As inequações (2.15) mostram que o modelo garante que cada parte é não vazia,
pois t1 > 0, por efeito de (2.17) e, também, que estão todas contidas no intervalo
[t1 , t2 ]. A expressão (2.14) é o tamanho do intervalo que contém todas as k somas
dos elementos das partes e o objetivo de minimização.
Essas formulações têm sobras de variáveis. Verifica-se esse fato por meio de um
pequeno exemplo genérico para o IMSP, em que m = 3 e n = 5. Para qualquer valor
que se queira atribuir às tarefas da sequência (t1 , t2 , t3 , t4 , t5 ), as matrizes a seguir
são soluções factíveis:
     
1 0 1 0 0 0 1 0 0 1 0 1 0 0 1
0 1 0 0 1  0 0 0 1 0  1 0 1 0 0 
0 0 0 1 0 1 0 1 0 0 0 0 0 1 0
     
1 0 1 0 0 0 0 0 1 0 0 0 0 1 0
0 0 0 1 0  0 1 0 0 1  1 0 1 0 0 
0 1 0 0 1 1 0 1 0 0 0 1 0 0 1
2.2 Formulação Matemática 14

Todas essas 6 matrizes representam a mesma solução para o problema. Da

forma como está modelado matematicamente, tem-se uma multiplicidade m! para
2
cada solução factível do IMSP. Resolve-se esse problema com a retirada de m 2−m
variáveis do tipo xji . Por exemplo, o triângulo inferior à direita. Assim, as soluções
mostradas se tornam:
     
1 0 1 0 0 0 1 0 0 1 0 1 0 0 1
0 1 0 0  0 0 0 1  1 0 1 0 
0 0 0 1 0 1 0 0 0
     
1 0 1 0 0 0 0 0 1 0 0 0 0 1 0
0 0 0 1  0 1 0 0  1 0 1 0 
0 1 0 1 0 1 0 1 0
Agora, apenas a segunda matriz é factível pelo critério de soma das colunas da
igualdade, conforme as expressões (2.11). Isso ocorre porque a ordem das máquinas
não altera o argumento ótimo. A restrição capaz de descrever esse fato em uma
linha é xji = 0, ∀(j, i) : j + i ≥ n + 2. De maneira análoga, aplica-se ao BPP e ao
MWNPP esta mesma discussão de multiplicidade de soluções.

Formulação Matemática do MWNPP

O modelo matemático de Otimização Linear Inteira proposto nesse trabalho,
como contribuição efetiva, usa duas variáveis inteiras para representar o limite infe-
rior, t1 , e superior, t2 , para a soma dos elementos de todas as k partes. As demais
variáveis xij são binárias e informam se um elemento está ou não em uma parte.

min t2 − t1 (2.19)
X n
suj. a t1 ≤ vi xji ≤ t2 , ∀j ∈ Ik (2.20)
i=1
k
X
xji = 1, ∀i ∈ In (2.21)
j=1
xji = 0, ∀(i, j) : i + j ≥ n + 2 (2.22)
t1 , t2 ∈ Z+ (2.23)
xji ∈ {0, 1}, ∀(j, i) ∈ Ik × In (2.24)

A relação de pertinência (2.24) indica que xji = 1 se o elemento de índice i do

conjunto V pertence à parte de índice j, em caso contrário, xji = 0. A relação (2.23)
informa que os limitantes da maior e menor soma dos elementos das partes é sempre
positiva. As igualdades (2.22) indicam que a ordem dos subconjuntos não altera o
argumento. As n equações indicadas pela expressão (2.21) garantem que as partes
são disjuntas e que todos os elementos de V estão alocados em alguma parte, já que
o problema só está bem definido quando n > k. As k inequações (2.20) mostram
que o modelo garante que cada parte é não vazia, pois t1 > 0, por efeito de (2.23) e,
também, que estão todas contidas no intervalo [t1 , t2 ]. Por fim, a expressão (2.19) é
2.3 Solução via Algoritmo Ingênuo 15

o tamanho do intervalo que contém todas as k somas dos elementos das partes e o
objetivo de minimização.
A restrição (2.22) é uma forma explícita de explicar uma propriedade do pro-
blema em apenas uma linha, mas deve aparecer de forma implícita no modelo, caso o
objetivo seja usá-lo em algum algoritmo ou em um “solver ” comercial de otimização.

min t2 − t1 (2.25)
n−j+1
X
suj. a t1 ≤ vi xji ≤ t2 , ∀j ∈ Ik (2.26)
i=1
min{n−i+1,k}
X
xji = 1, ∀i ∈ In (2.27)
j=1
t1 , t2 ∈ Z+ (2.28)
xji ∈ {0, 1}, ∀(j, i) : i + j ≤ n + 1 (2.29)

Este modelo é equivalente ao anterior, mas define apenas as variáveis de decisão

fora do triângulo inferior à direita.

2.3 Solução via Algoritmo Ingênuo

Uma abordagem mais algorítmica do problema sugere a construção de um al-
goritmo polinomial para o MWNPP, usando um algoritmo hipotético que retorna
sim (1) ou não (0) para uma pergunta específica sobre a entrada. Esse algoritmo é
denominado Oráculo e é denotado por Or(V, V 0 ), sendo V e V 0 duas instâncias de
tamanho n e n − 1, respectivamente, do MWNPP.
A pergunta em questão é:

Pergunta 2.3.1 As entradas V e V 0 têm o mesmo valor ótimo de função objetivo ?

O Exemplo 2.3.1 mostra uma situação associada ao uso desse Oráculo.

Exemplo 2.3.1 Suponha que k = 3, V = {1, 2, 3, 5, 6} e V 0 = {1, 2, 3, 4}. O

resultado de:
Or(V, V 0 ) = Or({1, 2, 3, 5, 6}, {1, 2, 3, 4}) = 1
é (SIM), pois a 3-partição ótima de V pode ser {1, 2, 3}, {5}, {6} ou {2, 3}, {1, 5}, {6},
ambas com valor de função objetivo igual a 1, assim como V 0 , que tem 3-partição
ótima {1, 2}, {3}, {4}, com valor de função objetivo igual a 1. 2

A ideia central dessa técnica é decidir se dois elementos distintos da sequência V

pertencem ou não à mesma parte, com a troca de dois elementos da sequência pela
soma dos mesmos. Sempre que essa troca não mudar o valor ótimo, significa que os
dois valores substituídos pertencem à mesma parte.

Exemplo 2.3.2 Considere que V = {1, 2, 3, 5, 6} e k = 3 e considere a notação

V k = (V, k), indicando uma instância do problema MWNPP. Considere, então, uma
2.4 Revisão Bibliográfica 16
0
nova instância V k , na forma V 0 = {1 + 2, 3, 5, 6} e k 0 = 3. Fazendo a chamada do
0
Oráculo sobre V k e V k , encontra-se que 1 e 2 estão contidos na mesma parte, quando
0
Or(V k , V k ) = 1, e que estão em partes distintas, em caso contrário. Nesse exemplo,
é claro que Or(({1, 2, 3, 5, 6}, 3), ({3, 3, 5, 6}, 3)) = 1 (veja no Exemplo 2.3.1).
Algoritmo 2.1: Algoritmo exato hipotético
Entrada: Or() e um instância V k
Saída: {A1 , A2 , ..., Ak }
1 início
2 j = 1;
3 h = 1;
4 enquanto V 6= ∅ faça
5 insere(Aj , vh );
6 para vi ∈ V − {vh } faça
0
7 V k = V k;
8 remove(V 0 , vi );
9 insere(V 0 , vi + vh );
0
10 se Or(V k , V k ) = 1 então
11 insere(Aj , vi );
0
12 Vk =Vk ;
13 fim
14 fim
15 j = j + 1;
16 h = f rente(V k );
17 fim
18 retorna {A1 , A2 , ..., Ak };
19 fim

Observe que, no Algoritmo 1, V k contém a sequência V . O funcionamento

do algoritmo é simples e direto. Primeiro, o elemento v1 é retirado de V e vai
para a parte A1 , sendo o elemento líder da primeira parte. Em seguida, para cada
vi ∈ V − {v1 }, o elemento vi é trocado por v1 + vi , formando uma nova instância
0 0
V k = (Vi , k) sendo Vi = V ∪ {vi + v1 } − {v1 , vi }. Executa-se Or(V k , V k ) e, sempre
que a resposta do Oráculo for positiva, retira-se vi de V , armazenando-o em A1 e V
é trocado por Vi . Repete-se o procedimento até V = ∅, k − 1 vezes.
No pior caso, este algoritmo faz O(n2 ) chamadas ao Oráculo, pois compara o
elemento líder de Aj com cada um dos restantes em V .

2.4 Revisão Bibliográfica

Nesta Seção apresentam-se trabalhos correlatos à discussão da família de Pro-
blemas de Partição de Números disponíveis na literatura. Prioriza-se um conjunto
de artigos e livros mais associados às ideias discutidas no Capítulo 5. Na Subse-
ção 2.4.1, descrevem-se as publicações relacionadas ao Problema da k-Partição de
Números (MWNPP) desde sua formulação inicial até trabalhos mais recentes. Na
Subseção 2.4.2 apresenta-se um panorama temporal, classificando as técnicas ado-
tadas nos trabalhos correlatos por autor e ano.
2.4 Revisão Bibliográfica 17

2.4.1 Uma Visão Histórica

Existe uma ampla literatura sobre a solução do Problema da Partição de Números
(TWNPP) e suas variações. Ele foi listado de modo formal no trabalho de Karp
(1972) como um dos 6 problemas NP-completos básicos e, mais tarde, por Garey e
Johnson (1979). Ambos demonstram uma série de equivalências entre o TWNPP e
outros problemas NP-completos.
O MWNPP aparece explicitamente em um artigo sobre a análise de uma heurís-
tica construtiva denominada Differencing Method, mais conhecida como Heurística
de Karmarkar-Karp, proposta por Karmarkar e Karp (1982). Esta heurística está
focada na ideia de dividir os maiores números em partes distintas, inserindo as di-
ferenças entre os elementos retirados do conjunto dos não-alocados. Este é o artigo
mais citado sobre o MWNPP até hoje. Os autores demonstram resultados teóricos e
práticos sobre a eficiência da heurística proposta e sobre a dificuldade das instâncias
do problema.
Mais tarde, Michiels et al. (2003) demonstram uma razão de aproximação menor
1
ou igual a 43 − 3(k−1) , similar aquela encontrada pelo algoritmo Longest Processing
Time (LPT), descrito na Seção 4.1, para a Heurística de Karmarkar-Karp. Este re-
sultado impõe um intervalo de erro limitado aos resultados obtidos com a Heurística
de Karmarkar-Karp.
Existe, também, um ramo de estudo do TWNPP no escopo do interesse da Física
Estatística. Muitos destes trabalhos são motivados pela análise do problema feita
por Karmarkar e Karp (1982). Esses trabalhos pesquisam uma forma de classificar as
instâncias do TWNPP e seus problemas associados, buscando uma metodologia que
garanta um conjunto livre de partições perfeitas. Partições perfeitas são aquelas que
têm um valor ótimo de função objetivo igual a 0 ou 1. Percebe-se que uma instância
com grande variedade de partições perfeitas poderia ser resolvida até mesmo por
uma enumeração ingênua, pois não existem valores de função objetivo menores para
se encontrar. Os trabalhos mais importantes que apresentam essa linha de interesse
são:

• Gent e Walsh (1995), mostrando a transição de fases para a identificar as

características de uma instância livre de partições perfeitas;

• Mertens (2006), que promove um avanço no trabalho de Gent e Walsh (1995),

mostrando uma nova fórmula que classifica instâncias quase certamente livres
de partições perfeitas; e

• Ferreira (2001), que apresenta uma nova equação para o valor esperado da
função objetivo do TWNPP.

Trabalhos como Gent e Walsh (1998) e Berretta e Moscato (1999) mostram que
o TWNPP é um problema muito difícil para metaheurísticas de uso geral, como Al-
goritmos Genéticos, Simulated Annealing e outros. Em muitos casos, esses métodos
perdem em tempo e desempenho para a Heurística de Karmarkar-Karp e até mesmo
para um algoritmo guloso como LPT. Textos mais recentes, como Kojić (2010) e Pop
e Matei (2013), usam várias classes de metaheurísticas em versões de maior com-
plexidade da família de Problemas da Partição de Números, como o MDTWNPP
2.4 Revisão Bibliográfica 18

e o MDMWNPP, mas também não mostram resultados muito significativos, exceto

pela formulação matemática.
Tanto para o TWNPP quanto para o MWNPP, sempre houve a possibilidade
de usar os algoritmos de Horowitz e Sahni (1974) e Schroeppel e Shamir (1981),
fazendo a conversão para o Problema da Mochila, mas o espaço de memória re-
querido é inviável para problemas de maior cardinalidade. Uma nova abordagem
surgiu quando Korf (1998) propôs um algoritmo exato, fazendo um procedimento
Backtrack em heurísticas construtivas, como o LPT e a Heurística de Karmarkar-
Karp, na forma Complete Greedy Algorithm e Complete Karmarkar-Karp Algorithm,
respectivamente.
A primeira melhoria desses trabalhos acontece com o algoritmo Recursive Number
Partitioning, proposto por Korf (2009). A segunda melhoria é a contribuição de
Pedroso e Kubo (2010), em que é proposta uma nova estrutura de dados aplicada
ao trabalho de Korf (2009), agilizando a busca na Árvore de Karmarkar-Karp. A
discussão sobre a função objetivo do MWNPP empreendida por Korf em Korf (2010)
mostra as diferenças dos objetivos de seus artigos e do trabalho seminal de Narendra
Karmarkar e Richard M. Karp em 1982 (Karmarkar e Karp, 1982). Por meio de
sucessivas conversões do MWNPP de uma partição de tamanho k −1 para k, Moffitt
(2013) propõe um algoritmo baseado em programação dinâmica.
Atualmente, o estado da arte para a solução desta família de problemas está
posto no algoritmo Sequential Number Partitioning, apresentado no artigo Korf et al.
(2014), e no algoritmo Cached Iterative Weakening, apresentado em Schreiber e Korf
(2014). Uma análise completa e de grande interesse sobre esses algoritmos, com
todos os seus detalhes, encontra-se em Schreiber (2014).

2.4.2 Panorama das Publicações mais Relevantes

A Tabela 2.1 apresenta a lista, em ordem cronológica, das publicações mais
relevantes sobre o MWNPP. Nesta tabela, tem-se que:

• Autor: indica a publicação;

• Problema: problema tratado na publicação;

• Objetivos: são tratados os seguintes casos:

– MmaxP - minimizar a parte com maior soma;

– MminP - maximizar a parte com menor soma;
– MdianP - minimizar o diâmetro das somas das partes;
– Mpitem - maximizar o valor dos itens na mochila.

• Método: A - aproximado, E - exato, H - heurístico, MH - metaheurístico, Est

- estatístico;
n n
• Complexidade: O(2 2 ), O(n.log(n)), O(2n ), O(k n ), O( kk! ) sendo ou não amor-
tizadas;

• Gerais: # - nulo, ? - incerto, ! - variado.

2.4 Revisão Bibliográfica 19

Autor Problema Objetivo Método Complexidade

1 (Karp, 1972) Coletânea # # #
n
2 (Horowitz e Sahni, 1974) Mochila Mpitem E O(2 2 )
3 (Garey e Johnson, 1979) Coletânea # # #
n
4 (Schroeppel e Shamir, 1981) Mochila Mpitem E O(2 2 )
5 (Karmarkar e Karp, 1982) MWNPP MdiaP H O(n.log(n))
6 (Gent e Walsh, 1995) TWNPP MmaxP, MminP, MdiaP Est #
7 (Gent e Walsh, 1998) TWNPP MmaxP, MminP, MdiaP Est, MH, H (!)
8 (Korf, 1998) TWNPP MmaxP, MminP, MdiaP E O(2n ), amortizado
9 (Berretta e Moscato, 1999) TWNPP MmaxP, MminP, MdiaP MH, H (!)
10 (Ferreira, 2001) TWNPP MmaxP, MminP, MdiaP Est #
11 (Hayes, 2002) TWNPP MmaxP, MminP, MdiaP Est #
12 (Mertens, 2006) TWNPP MmaxP, MminP, MdiaP Est #
13 (Michiels et al., 2003) MWNPP MmaxP A O(n.log(n))
14 (Korf, 2009) MWNPP MmaxP E O(kn ), amortizado
15 (Pedroso e Kubo, 2010) TWNPP MmaxP, MminP, MdiaP E O(2n ), amortizado
16 (Korf, 2010) MWNPP MmaxP, MminP, MdiaP # #
17 (Kojić, 2010) MDTWNPP MdianP MH #
18 (Pop e Matei, 2013) MDMWNPP MdianP (?) MH #
19 (Moffitt, 2013) MWNPP MmaxP E O(kn ), amortizado
n
20 (Korf et al., 2014) MWNPP MmaxP E, H O( kk! ), amortizado
n
21 (Schreiber e Korf, 2014) MWNPP MmaxP E, H O( kk! ), amortizado
22 (Schreiber, 2014) MWNPP MminP E, H (!)

Tabela 2.1: Quadro das publicações mais relevantes.

Os artigos em que o item “Problema” está classificado como “Coletânea” são abor-
dagens teóricas sobre problemas NP-completos. Nestes casos, os itens “Objetivo”,
“Método” e “Complexidade” estão marcados com “#”.
Nos artigos em que o item “Método” está marcado com apenas “Est”, não há
nenhum algoritmo proposto, mas, sim, uma análise da dificuldade das instâncias.
O termo “amortizado” significa que o algoritmo faz cortes em suas ramificações
e quase nunca recai no pior caso.
Capítulo 3

Análise de Complexidade do
MWNPP

Este Capítulo tem a finalidade de cobrir uma lacuna teórica acerca do MWNPP,
apresentando uma demonstração de sua NP-completude. Para esta análise, considera-
se o MWNPP em sua versão de decisão mostrada no Enunciado 3.2.2. Esta restrição
não trará grandes perdas de generalidade. Na Seção 3.1, apresentam-se conceitos
preliminares, como definições, proposições e teoremas relacionados ao estudo das
classes de complexidade. A Seção 3.2 usa a aplicação dos conceitos discutidos na
Seção 3.1 ao MWNPP para classificá-lo como um problema NP-completo. A Seção
3.3 apresenta generalizações dentro da família de Problemas de Partição de Números
e uma discussão acerca dos resultados encontrados.

3.1 Conceitos Preliminares

Todas as proposições, definições, teoremas e corolários dessa seção estão presen-
tes em Ausiello et al. (2003b), Sipser (2006) e Korte et al. (2012).
Seja A um problema computacional. Denota-se I(A) como o conjunto de todas
as instâncias do problema A.

Definição 3.1.1 Um problema A não é mais difícil que um problema B se uma

solução para B implica em uma solução para A com perda de desempenho polinomial
relativa à eficiência da solução de B.

Definição 3.1.2 Sejam A e B problemas computacionais de decisão. Uma redução

em tempo polinomial de A para B é um algoritmo M que computa uma função
M : I(A) → I(B) tal que, para toda instância I ∈ I(A) de A, a instância
M (I) ∈ I(B) do problema B tem a mesma resposta.

A notação para descrever a relação da Definição 3.1.2 é A ≤p B. Esta é uma

relação de ordem e deve ser lida na forma “A se reduz a B”.
Se há uma redução de A para B e MB é um algoritmo que resolve B, então o
Algoritmo 3.1 resolve A.
Se MB é um algoritmo de tempo p(n) e M é um algoritmo de tempo q(n), então o
Aloritmo MA , mostrado no Algoritmo 3.1, tem consumo de tempo p(q(n)). Nota-se

20
3.1 Conceitos Preliminares 21

Algoritmo 3.1: Algoritmo MA (I)

Entrada: Uma Instância I para o problema A e uma função M
Saída: Solução da instância I
1 início


2 retorna MB M (I) ;
3 fim

que |M (I)| = O(q(|I|)), ou seja, a saída de M tem tamanho polinomial na dimensão

de I. Assim, tem-se as seguintes definições:

Definição 3.1.3 Um problema A ∈ P se pode ser resolvido por um algoritmo efici-

ente (com complexidade polinomial), sendo P o conjunto dos problemas de decisão
que podem ser resolvidos em tempo polinomial.

Definição 3.1.4 Um problema A ∈ N P se sua solução pode ser verificada por

um algoritmo eficiente, sendo N P o conjunto dos problemas de decisão que são
verificáveis em tempo polinomial.

Teorema 3.1.1 Se A ≤p B e B ∈ P então A ∈ P .

Prova: Seja M (I) uma função computável em tempo polinomial, que leva uma
instância I do problema A para uma instância do problema B. Então, o Algoritmo
3.1 resolve o problema A em tempo polinomial. 

Definição 3.1.5 Um problema A é NP-difícil se todos os problemas em NP não

são mais difíceis do que A no seguinte sentido:

B ≤p A, ∀B ∈ N P. (3.1)

Suponha que o problema A tenha um algoritmo MA que o resolve em tempo

O(nd ) e seja M a redução de B ∈ N P para A, que consome tempo O(nb ) para
algum natural b. Então, se I é uma instância de tamanho n para B, M (I) é uma
instância de tamanho O(nk ) para A, cuja resposta MA (M (I)) é computada em
tempo O((nd )b ) ∼ O(nd+b ). Portanto, tem-se o seguinte teorema:

Teorema 3.1.2 Se algum problema NP-difícil tem algoritmo eficiente, então todos
os problemas em NP também têm, isto é, P=NP.

Prova: Considere que A é NP-difícil. Para cada B ∈ N P , existe uma função com-
putável em tempo polinomial MB→A (I) que transforma uma instância I do problema
B para o problema A. 

Os Teoremas 3.1.1 e 3.1.2 têm demonstrações muito similares, pois afirmam duas
questões muito parecidas sobre as implicações da redução de um problema ao outro.

Definição 3.1.6 Um problema A é NP-completo se

3.2 TWNPP se reduz ao MWNPP 22

(i) A ∈ N P ;

(ii) A é NP-difícil.

Uma consequência da Definição 3.1.6 é que todos os problemas NP-completos se

reduzem uns nos outros, ou seja, são todos equivalentes por uma simples transfor-
mação polinomial. Um corolário mais completo desse fato segue abaixo.

Corolário 3.1.1 Se algum problema NP-completo tem algoritmo eficiente, então P =

NP .

Prova: Sabe-se que P ⊆ N P pois todo problema polinomial é verificável em tempo

polinomial. Resta fazer a inclusão N P ⊆ P , supondo que algum problema NP-
completo admite um algoritmo polinomial. Como todo problema em N P se reduz a
um problema NP-completo pela Definição 3.1.6, um algoritmo polinomial de algum
problema desse grupo produz um algoritmo eficiente para todos os problemas NP. 

A Proposição 3.1.1 pede uma suposição de que P 6= N P de forma implícita.

Proposição 3.1.1 Se algum problema NP-completo não tem algoritmo eficiente,

então nenhum outro problema NP-completo tem, isto é P ∩ NP-completo = ∅.

Prova: Todos os problemas NP-completos são equivalentes. Se um deles, A ∈

NP-completo, não tem um algoritmo eficiente, então nenhum problema C tal que
C ≤p A pode ter, pois esse único algoritmo eficiente MC serviria para resolver A.
Logo, se existe A ∈ N P −completo e A ∈
/ P , implica que P ∩N P −completo = ∅. 

A proposição abaixo é muito útil para classificar um problema como NP-completo.

Seu uso na Seção 3.2 será explícito com o problema A sendo o TWNPP.

Proposição 3.1.2 Se A é NP-completo e A ≤p B, então B é NP-difícil.

Prova: Sendo A um problema NP-completo, então todo problema C em NP se re-

duz a A. Se A ≤p B, todo problema NP se reduz a B pela transitividade da relação
de redução. Portanto, B é NP-difícil segundo à Definição 3.1.5. 

3.2 TWNPP se reduz ao MWNPP

Os dois enunciados abaixo definem o MWNPP-decisão. O segundo enunciado é
mais geral que o primeiro.

Enunciado 3.2.1 (MWNPP1_d) - Dada uma sequência numérica V . Existe uma

partição dos índices de V , na forma {A1 , A2 , ..., Ak } tal que a função objetivo (1.2),
mostrada na Seção 1.3, tenha valor nulo, ou seja:
   
X  X 
f ({A1 , A2 , ..., Ak }) = max vi − min vi = 0 ?
j0   j  
i∈Aj 0 i∈Aj
3.2 TWNPP se reduz ao MWNPP 23

Enunciado 3.2.2 (MWNPP2_d) - Dada uma sequência numérica V e uma cons-

tante C. Existe uma partição dos índices de V , na forma {A1 , A2 , ..., Ak } tal que a
função objetivo 1.2 seja menor que C, ou seja:
   
X  X 
f ({A1 , A2 , ..., Ak }) = max vi − min vi ≤ C ?
j0   j  
i∈Aj 0 x∈Aj

Seja TWNPP_d a versão de decisão do problema TWNPP. Então, o seguinte

resultado relaciona TWNPP_d e MWNPP2_d.

Teorema 3.2.1 TWNPP_d ≤p MWNPP2_d

X
Prova: Seja I 2 uma instância para o TWNPP_d e Q = vi . Considera-se a
i∈I 2
função de redução M :
 
2 2Q Q
M (I ) = I ∪ , ..., = I k. (3.2)
2 2
| {z }
k−2 vezes

Seja I 2 uma sequência cujos índices podem ser 2-particionados em {A1 , A2 }. Tem-se
uma k-partição, dada por {A01 , A02 , ..., A0k }, para os índices da sequência associada à
instância M (I 2 ), sendo:

A01 = A1 (3.3)
A02 = A2 (3.4)
A0j = {j}, ∀j ∈ {3, ..., k} (3.5)

Para provar que a redução funciona, deve-se mostrar que uma resposta SIM para
o problema de decisão MWNPP2_d ocorre se, e somente se, a resposta para o
problema de decisão TWNPP_d é SIM. Em outras palavras:

f ({A01 , A02 , ..., A0k }) ≤ C ⇔ f ({A1 , A2 }) ≤ C. (3.6)

Para isso, prova-se que f ({A01 , A02 , ..., A0k }) = f ({A1 , A2 }). Se a função M tem
tal propriedade, pode-se construir um algoritmo similar ao Algoritmo 3.1, sendo
B = M W N P P 2_d e A = T W N P P _d. Sem perda de generalidade, considera-se
X X
vi ≥ vi
i∈A1 i∈A2

Sabe-se que
X
Q = vi
i∈I 2
X
= vi
i∈A1 ∪A2
X X
= vi + vi
i∈A1 i∈A2
3.3 Análise da versão de Otimização do MWNPP 24

Portanto, conclui-se que:

X Q X
vi ≤ ≤ vi (3.7)
i∈A2
2 i∈A 1

pois a média de dois números sempre está no intervalo entre esses dois números.
Nesse caso, a parte de maior soma de {A01 , A02 , ..., A0k } é a mesma parte de maior
soma de {A1 , A2 } e a parte de menor soma de {A01 , A02 , ..., A0k } é a mesma parte de
menor soma de {A1 , A2 }, ou seja, A01 = A1 e A0k = A2 . Portanto, ambas as partições
têm o mesmo valor de função objetivo. 

Essa redução tem custo O(n) para calcular a soma Q dos elementos da sequência
da instância I 2 . A saída da função é uma instância I k , cuja sequência de inteiros
associada tem dimensão n + k − 2. Sendo k < n, pode-se afirmar, também, que a
redução é polinomial no tamanho da entrada. Assim, tem-se o seguinte corolário.

Corolário 3.2.1 O MWNPP2_d é NP-difícil.

Teorema 3.2.2 MWNPP2_d é NP-completo.

Prova: O Teorema 3.2.1 prova que o problema de decisão MWNPP2_d é um pro-

blema NP-difícil. Resta mostrar que MWNPP2_d também está em NP, exibindo
uma verificação em tempo polinomial como na Definição 3.1.4 e incluí-lo na classe de
problemas NP-completos, de acordo com a Definição 3.1.6. Para este fim, considera-
se uma k-partição {A1 , ..., Ak } dos índices de I k . Avaliar a função objetivo consiste
em: (i) calcular um vetor de dimensão k, no qual cada elemento j é dado pela soma
dos elementos da parte Aj ; (ii) encontrar o maior e o menor elemento deste vetor;
e, finalmente, (iii) computar a diferença destes dois valores. Este procedimento tem
custo O(n). O cálculo permite decidir se o resultado é menor ou igual a um valor C
dado. 

A redução T W N P P _d ≤p (M W N P P 1_d) é análoga à demonstração acima.

Por outro lado, ao dissociar o valor k da instância do MWNPP1 e considerar pro-
blemas específicos com k fixo como o Problema da K1 -Partição, nomeado como
B1 , e Problema K2 -Partição, denominado B2 , mostra-se que B1 ≤p B2 sempre que
K1 ≤ K2 com a seguinte função

M : I(B1 ) → I(B2 ) (3.8)

sendo:  
Q Q
M (I) = I ∪ , ..., (3.9)
K1 K1
| {z }
K2 −K1 vezes

3.3 Análise da versão de Otimização do MWNPP

Nesta Seção discutem-se os aspectos essenciais que mostram que a redução de
problemas de decisão não é uma grande restrição teórica, já que, na prática, a
maioria dos problemas de interesse são de busca e otimização.
3.3 Análise da versão de Otimização do MWNPP 25

Algoritmo 3.2: Busca pelo valor mínimo usando o MWNPP2_d

Entrada: I k , decide()
Saída: obj
1 início
c1 = k1 i∈I k vi ;
P
2
3 c2 = 0;
4 enquanto c1 −c 2
2
> 1 faça
c1 +c2
5 obj = 2 ;
6 se decide(I k , obj) então
7 c1 = obj;
8 fim
9 senão
10 c2 = obj;
11 fim
12 fim
13 retorna obj;
14 fim

A função de redução M da Seção 3.2 também pode ser utlizada para o MWNPP
em sua versão de otimização. Esse fato tem relação direta com a possibilidade de
aplicação de um algoritmo para o MWNPP2_d à versão de otimização do MWNPP.
Pode-se aplicar uma busca binária no MWNPP2_d, apresentado no Enunciado
3.2.2, e encontrar o valor mínimo da função objetivo (1.2).
Suponha que, no Algoritmo 3.2, a função decide(I k , C) retorna 1 se existe uma
partição com valor de função objetivo menor que C e 0, em caso contrário, tendo
um custo computacional O(1).
Usando o Algoritmo 3.2, com custo computacional O(log(C)), determina-se o
valor mínimo da função objetivo, mas não o argumento ótimo associado à este.
Para descobrir a partição associada ao valor mínimo retornado pelo Algoritmo 3.2,
0
deve-se usar o Algoritmo 1, trocando o Oráculo O(I k , I k ) por um outro, na forma:

Or(I k , obj ∗ ) = decide(I k , obj ∗ )

sendo obj ∗ a saída do Algoritmo 3.2.

A definição de um problema de otimização da classe NP pode ser encontrada em
(Ausiello et al., 1995) e (Berretta e Moscato, 1999) e é apresentada a seguir.

Definição 3.3.1 Um problema de otimização A é NP se:

(i) I ∈ I(A) é verificável em tempo polinomial;

(ii) Uma solução factível para A é verificável em tempo polinomial;

(iii) A função objetivo é computável em tempo polinomial;

(iv) A meta do problema é a minimização ou maximização da função objetivo.

3.3 Análise da versão de Otimização do MWNPP 26

O MWNPP se encaixa nessa definição, pois suas instâncias podem ser identi-
ficadas em tempo polinomial, como exige o item (i), uma vez que são sequências
de inteiros positivos; esse procedimento de verificação tem custo O(n), sendo n o
tamanho da sequência. As soluções factíveis são verificáveis em tempo polinomial,
como exige o item (ii), pois são k-partições de índices dos elementos da sequência
dada, e esta verificação tem custo O(n2 ). Conforme conclui-se a partir do Teorema
3.2.2, a função objetivo dada pela Expressão (1.2) é computável em O(n). Por fim,
a meta do problema é a minimização dessa função objetivo.
Portanto, conclui-se que o MWNPP, em sua versão de otimização, é um problema
NP-completo segundo a Definição 3.3.1.
Capítulo 4

Fundamentação Teórica

Este Capítulo apresenta os fundamentos básicos relacionados ao tema desta dis-

sertação no sentido de explorar técnicas de solução do problema abordado. A Seção
4.1 apresenta o Algoritmo (LPT). A Seção 4.2 mostra o Algoritmo 0/1-Interchange,
ambos desenvolvidos para Problemas de Escalonamento de Máquinas. A Seção 4.3
discute a relação do Problema da k-Partição de Números com o Problema da Mo-
chila. A Seção 4.4 apresenta a versão geral da metaheurística Iterated Local Search
(ILS). A Seção 4.5 introduz a Heurística de Karmarkar-Karp e sua adaptação ao
Problema da k-Partição de Números. Por fim, a Seção 4.6 exibe o funcionamento
do método exatos Branch-and-Bound e sua aplicação ao MWNPP.

4.1 Algoritmo Longest Processing Time first (LPT)

Proposto por Graham (1966, 1969), o algoritmo guloso Longest Processing Time
first (LPT) foi desenvolvido para o Problema de Partição Mínima e, também, para o
Problema de Escalonamento de Tarefas. Estes problemas se difereciam do Problema
da k-Partição de Números (MWNPP) pela função objetivo, como comenta Korf
(2010).
Este algoritmo garante um resultado com razão de
(aproximação
)
1
menor que 43 − 3k
X
do ótimo global em relação à função objetivo max vi . Isso significa que, se
1≤i≤k
i∈Ai
OP T (I ) é o valor ótimo da função objetivo do problema e LP T (I k ) o valor de
k

função objetivo encontrado pelo algoritmo LPT para uma instância I k , a razão
entre estes valores é tal que:
LP T (I k ) 4 1
≤ − (4.1)
OP T (I k ) 3 3k
A demonstração desta razão de aproximação se encontra em Ausiello et al. (2003a).

Exemplo 4.1.1 O resultado ótimo do Problema da k-Partição de Números para a

instância:
S = {8, 7, 6, 5, 4}
ek=2é
{8, 7} e {6, 5, 4}

27
4.2 Algoritmo 0/1-Interchange 28

A parte com a maior soma é max{8 + 7, 6 + 5 + 4} = 15. Substituindo k = 2 na

desigualdade (4.1), tem-se:
 
4 1 7 35
− 15 = 15 =
3 6 6 2
Portanto, a resposta do algoritmo (LPT) sempre é uma partição em que a maior
soma é menor que 35/2, como, por exemplo:

{8, 5, 4} e {7, 6}

cuja maior soma é 17, resultado encontrado pelo (LPT), mas nunca um valor 18,
como a partição abaixo:
{8, 4} e {7, 6, 5}
2

O algoritmo consiste em ordenar os elementos da sequência V em ordem não

crescente e alocar os números, sempre inserindo o novo elemento na parte de menor
soma e, em caso de empate, desempata-se arbitrariamente. Este algoritmo tem um
custo computacional O(n log n), para ordenar a entrada, e um custo O(n), para alo-
car os elementos nas k partes. Finalmente, a complexidade do método é O(n log n).
O Algoritmo Longest Processing Time first (LPT) está apresentado no Algo-
ritmo 4.1.
Algoritmo 4.1: Longest Processing Time para k máquinas Graham (1966,
1969)
Entrada: Uma Sequência V de números inteiros e um inteiro k.
Saída: Partição dos índices V , {A1 , A2 , ..., Ak }, com tamanho k.
1 início
2 para j ∈ {1, ..., k} faça
3 Aj = ∅;
4 Lj = 0;
5 fim
6 Ordene V em ordem decrescente;
7 para i ∈ I k faça
8 l = arg minj L;
9 Al = Al ∪ i;
10 Ll = Ll + vi ;
11 fim
12 retorna {A1 , A2 , ..., Ak }
13 fim

4.2 Algoritmo 0/1-Interchange

O Algoritmo 0/1-Interchange, proposto por Finn e Horowitz (1979), também é
um método para o Problema de Escalonamento em k máquinas idênticas. Partindo
de uma distribuição inicial das tarefas, o algoritmo ordena os processadores em
ordem não decrescente.
4.3 Problema da Mochila e Soma dos Subconjuntos 29

Considere Aj o conjunto de tarefas alocadas no processador j. Considere tam-

bém que L(Aj ) seja o instante de finalização das tarefas alocadas no processador
j. Assim, defina di = L(A1 ) − L(Ak ) como a diferença entre o instante de finaliza-
ção do processador mais carregado e o instante de finalização do processador menos
carregado na iteração i. Enquanto existir uma tarefa p ∈ A1 : p < di , esta tarefa
será realocada para o processador k, pois este é o de menor carregamento. Este
algoritmo tem uma complexidade de tempo computacional da ordem O(n.log(k)),
como demonstrado por Langston (1982)
O Algoritmo 0/1-Interchange está apresentado no Algoritmo 4.2.

Algoritmo 4.2: Algoritmo 0/1-Interchange (Finn e Horowitz, 1979)

Entrada: k-Partição {A1 , A2 , ..., Ak } do conjunto V
Saída: k-Partição do conjunto V , na forma {A1 , A2 , ..., Ak }
1 início
2 Ordene os tempos de cada máquina L(A1 ) ≥ ... ≥ L(Ak );
3 d = L(A1 ) − L(Ak );
4 enquanto ∃q ∈ A1 : L(q) < d faça
5 remove(A1 , q);
6 insere(Ak , q);
7 L(A1 ) = L(A1 ) − L(q);
8 L(Ak ) = L(Ak ) + L(q);
9 d = L(A1 ) − L(Ak );
10 fim
11 retorna {A1 , A2 , ..., Ak };
12 fim

4.3 Problema da Mochila e Soma dos Subconjuntos

O Problema da Mochila é um dos mais estudados em Otimização Combinatória e
costuma ser um subproblema muito comum em vários trabalhos. Todas as variações
do Problema da Mochila são NP-completos, mas admitem uma solução pseudo-
polinomial, como pode ser encontrado em Garey e Johnson (1979) e Ausiello et al.
(2003a).

Definição 4.3.1 Seja W ∈ N e um conjunto de itens I = {1, 2, ..., n}, tal que cada
elemento de I indexe um peso wi e um valor pi . Encontre um subconjunto de itens
que maximize o valor da mochila, respeitando sua capacidade W de peso. 2

A formulação matemática para esse problema é:

n
X
max p j xj (4.2)
j=1
Xn
s.a w i xj ≤ W (4.3)
j=1
xj ∈ {0, 1} (4.4)
4.3 Problema da Mochila e Soma dos Subconjuntos 30

Algoritmo 4.3: subsetsum(): algoritmo exato para Soma de Subconjuntos

(Ausiello et al., 2003a)
Entrada: Vetor v de tamanho n e uma capacidade W .
Saída: Subconjunto V de índices de v.
1 início
2 Inicialize uma matriz M ∈ <(n+1)×(W +1) = 0;
3 para i=n até 1 faça
4 para w=0 até W faça
5 se i > n ou w = 0 então
6 M (i, w) = 0;
7 fim
8 se wi > w então
9 M (i, w) = M (i + 1, w);
10 fim
11 se max{M (i + 1, w), M (i + 1, w − wi ) + wi } então
12 M (i, w) = 0;
13 fim
14 fim
15 fim
16 retorna M (1, W )
17 fim

O Problema da Soma dos Subconjuntos é um caso particular do Problema da

Mochila, caracterizado por ∀i ∈ I : wi = pi . O algoritmo pseudo-polinomial
para resolvê-lo tem custo O(nW ) e, por isso, costuma ser o mais indicado quando o
conjunto de itens I possui grande dimensão, mas o número W tem poucos algarismos.
Caso contrário, os algoritmos exatos mais eficientes são os propostos por Horowitz
e Sahni (1974) e Schroeppel e Shamir (1981). A ideia da solução, neste caso é a
seguinte:
• Caso o item i faça parte da solução ótima, considerando os itens {i, ..., n},
tem-se uma solução com valor pi a mais do que a solução ótima para os itens
{i + 1, ..., n}, com capacidade restante W − wi . Esta ideia corresponde a fazer
xi = 1, gerando o subproblema:
( n n
)
X X
pi + max p j xj | wj xj ≤ w − wi , xj ∈ {0, 1} (4.5)
j=i+1 j=i+1

• Caso contrário, tem-se um valor correspondente à solução ótima para itens

{i + 1, ..., n}, com capacidade W . Esta ideia corresponde a fazer xi = 0,
gerando o subproblema:
( n n
)
X X
max p j xj | wj xj ≤ w, xj ∈ {0, 1} (4.6)
j=i+1 j=i+1

Assim, seja M (i, w) o valor da solução ótima para os itens {i, ..., n} e capacidade
W , na forma:
M (i, w) = max{M (i + 1, w), M (i + 1, w − wi ) + pi } (4.7)
4.5 Iterated Local Search (ILS) 31

e o valor ótimo do problema será M (1, W ).

O Algoritmo 4.3 formaliza o procedimento. O Algoritmo 4.3 cria uma matriz M
de dimensão n × W , no qual os elementos Mi,j são os valores ótimos do Problema
da Mochila com capacidade j usando os i primeiros itens de V .

4.4 Iterated Local Search (ILS)

A meta-heurística Iterated Local Search (ILS) parte do pressuposto que os ótimos
locais podem ser totalmente percorridos por um tipo de movimento. Assim como
todas as permutações de n números podem ser expressas como um produto de
transposições, o movimento definido para o ILS deve conseguir gerar todo o espaço
de busca do problema abordado.
O ILS, proposto em Lourenço et al. (2003) funciona, genericamente, com alguns
passos fundamentais, conforme mostra o Algoritmo 4.4.
Gera-se uma solução inicial para o problema. Faz-se uma busca local da melhor
solução na vizinhança. A vizinhança de x é tudo que pode ser alcançado partindo
de x com um único movimento. Perturba-se o espaço de soluções atuais quando
este já estiver estagnado. A perturbação deve levar a próxima solução para fora da
vizinhança da solução atual. Aceita-se ou não a solução atual de acordo com um
critério, geralmente baseado no valor da função objetivo. O procedimento termina
com o número máximo de iterações.
O Algoritmo 4.4 apresenta a estrutura típica do ILS.
Algoritmo 4.4: Algoritmo ILS.
Entrada: Gerador de solução inicial.
Saída: Solução do espaço de busca.
1 início
2 s0 = SolucaoInicial ;
3 s = BuscaLocal(S0 );
4 i = 0;
5 enquanto i < Itermax faça
6 i = i + 1;
7 s0 = P erturba(s);
8 s00 = BuscaLocal(s0 );
9 s = CriteriodeAceitacao(s, s0 , s00 );
10 fim
11 retorna s
12 fim

Na Seção 5.2 demonstram-se as principais funções do ILS de forma específica

para o MWNPP.

4.5 Heurística de Karmarkar-Karp para k ≥ 2

A Heurística de Karmarkar-Karp, introduzida por Karmarkar e Karp (1982), é
um método construtivo para o TWNPP que pode ser adaptado para o MWNPP.
Esse algoritmo escolhe alocar os dois maiores elementos de uma sequência V em
4.5 Heurística de Karmarkar-Karp para k ≥ 2 32

partes distintas e, em seguida, adiciona a diferença entre os dois maiores elementos

no conjunto como um novo elemento, descontando o erro produzido pela alocação.

Algoritmo 4.5: Heurística de Karmarkar-Karp com k = 2 (Karmarkar e Karp,

1982)
Entrada: Sequência V .
Saída: Valor inteiro correspondendo à menor diferença entre as partes.
1 início
2 enquanto |V | = 6 1 faça
3 s1 = removemax(V );
4 s2 = removemax(V );
5 c = s1 − s2 ;
6 insereordenado(V, c);
7 fim
8 retorna v[0]
9 fim

O pseudo-código da Heurística de Karmarkar-Karp está no Algoritmo 4.5. O

Exemplo 4.5.1 mostra uma aplicação dessa heurística.

Exemplo 4.5.1 Seja V = {8, 7, 6, 5, 4} e k = 2. Então:

Iteração 1: {8, 7, 6, 5, 4} ⇒ {6, 5, 4, 1}

Iteração 2: {6, 5, 4, 1} ⇒ {4, 1, 1}

Iteração 3: {4, 1, 1} ⇒ {3, 1}

Iteração 4: {3, 1} ⇒ {2}

O procedimento retorna o valor de função objetivo igual a 2 e a partição {A1 , A2 } =

{(8, 6), (7, 5, 4)}. É importante observar que este resultado não se constitui na solu-
ção ótima do problema para esta instância.

Para uma implementação de baixo custo computacional, usando uma estrutura

de dados max-heap, a complexidade desse algoritmo é O(n log n).
A adaptação desse algoritmo para o MWNPP consiste em substituir a operação
de diferença entre os dois maiores elementos do conjunto pelo Algoritmo 4.6 e seguir
a mesma lógica de funcionamento do Exemplo 4.5.1. A diferença é que os elementos
são vetores de dimensão k e não escalares, como no caso do Exemplo 4.5.1. Logo, a
estrutura de dados max-heap deve operá-los em ordem lexicográfica.
4.6 Heurística de Karmarkar-Karp para k ≥ 2 33

Algoritmo 4.6: opera(x, y, k); Modificação na Heurística de Karmarkar-Karp

para a solução do MWNPP.
Entrada: Dois vetores x e y ordenados e um inteiro k.
Saída: Um vetor ordenado de tamanho k.
1 início
2 para i = 0 até n − 1 faça
3 si = xi + yn−i ;
4 fim
5 ordene s em ordem não crescente;
6 para i = 0 até n − 1 faça
7 si = si + sn−1 ;
8 fim
9 retorna s
10 fim

Algoritmo 4.7: Heurística de Karmarkar-Karp para k > 2

Entrada: Um sequência V e um inteiro k.
Saída: Valor inteiro correspondendo à menor diferença entre as partes.
1 início
2 enquanto |V | =
6 1 faça
3 s1 = removemax(V );
4 s2 = removemax(V );
5 c = opera(s1 , s2 , k);
6 insereordenado(V, c);
7 fim
8 retorna v[0]
9 fim

O pseudo-código usado para resolver o Exemplo 4.5.2 está no Algoritmo 4.7. A

única mudança em relação à Heurística de Karmarkar-Karp original é a troca de
c = s1 − s2 por c = opera(s1 , s2 , k).
O Exemplo 4.5.2 mostra o funcionamento da Heurística de Karmarkar-Karp para
k > 2, fazendo cada iteração em duas ou 3 fases para demonstrar a generalização
desta Heurística.
Exemplo 4.5.2 Seja V = {8, 7, 6, 5, 4} e k = 3. Então:
Iteração 1: {(8, 0, 0), (7, 0, 0), (6, 0, 0), (5, 0, 0), (4, 0, 0)} ⇒
{(8, 7, 0), (6, 0, 0), (5, 0, 0), (4, 0, 0)}
Iteração 2: {(8, 7, 0), (6, 0, 0), (5, 0, 0), (4, 0, 0)} ⇒ {(8, 7, 6), (5, 0, 0), (4, 0, 0)} ⇒
{(5, 0, 0), (4, 0, 0), (2, 1, 0)}
Iteração 3: {(5, 0, 0), (4, 0, 0), (2, 1, 0)} ⇒ {(5, 4, 0), (2, 1, 0)}
Iteração 4: {(5, 4, 0), (2, 1, 0)}} ⇒ {(5, 5, 3)} ⇒ {(3, 3, 0)}
O procedimento retorna um valor de função objetivo igual a 3 e uma partição
{8}, {7, 4}, {6, 5}
4.6 Método de Branch and Bound 34

4.6 Método de Branch and Bound

O método de Branch-and-Bound (Método de Ramificação e Poda), proposto por
Land e Doig (1960), é um algoritmo que consiste no desenvolvimento de uma enu-
meração inteligente dos pontos candidatos à solução de um problema de otimização.
A ramificação consiste em particionar o espaço de soluções, gerando subproblemas
associados ao original, e a poda avalia a otimalidade da solução, usando limitantes
calculados em cada subproblema gerado na enumeração dos candidatos, os quais
também permitem a eliminação de candidatos não promissores.
Considere o problema

z = min{f (x) : x ∈ D} (4.8)

Seja D = {D1 , D2 , ..., Dk } uma decomposição de D em k conjuntos menores e seja

zj = min{f (x) : x ∈ Dj }, ∀j ∈ Ik = {1, 2, . . . , k} (4.9)

Então, a solução ótima do problema (4.8) é:

z = min zj , j ∈ Ik (4.10)
j

A representação dessa decomposição é feita através de uma árvore de enumeração.

Cada nó representa um subconjunto do espaço de soluções. A raiz da árvore repre-
senta todo o conjunto D, ou seja, todo o espaço de soluções do problema.
Sejam, então, U Bj e LBj , respectivamente, um limite superior e um limite in-
ferior para o subproblema zj . Então U B = min U Bj é um limite superior em z.
j
Primeiramente, encontram-se os limitantes superior e inferior da raiz da árvore de
enumeração. Caso a solução ótima da relaxação seja factível quanto à integralidade,
o algoritmo termina, pois foi encontrada a solução ótima z. Caso contrário, realiza-
se uma operação de ramificação. Decompõe-se o espaço de soluções D em dois ou
mais subconjuntos, na forma {D1 , D2 , ..., Dk } que originam novos nós da árvore de
enumeração.
A técnica de Branch-and-Bound evita a criação de toda a árvore de enumeração,
usando em sua ramificação critérios de poda. A poda de um nó evita ramificações
não promissoras. Em um problema de minimização, um nó pode ser podado por:

(a) Critério (i): infactibilidade,

(b) Critério (ii): limitante inferior do subproblema associado ao nó supera o ínfimo

dos limitantes superiores,

(c) Critério (iii): otimalidade local ou global.

O Critério (ii) merece uma atenção especial. Pode-se podar um nó j tal que
LBj > U B, porque a solução associada ao valor U B, ínfimo dos limites superiores,
sempre é factível quanto à integralidade. Mais geralmente, a solução associada à
qualquer U Bj é sempre factível, mas LBj é uma relaxação e, possivelmente, só terá
soluções factíveis nas últimas ramificações da árvore de enumeração ou no Critério
de poda (iii), quando U Bj = LBj .
4.6 Método de Branch and Bound 35

Nós não podados e não ramificados recebem o nome de nós ativos. Os nós ativos
são os únicos que podem gerar um limitante superior menor para o problema. A
otimalidade é detectada pelo algoritmo quando não há mais nós ativos. Sendo assim,
podemos inferir que, quanto melhor forem os limitantes, melhor será o desempenho
de um algoritmo Branch-and-Bound. O Algoritmo 4.8 apresenta um pseudo-código
do método Branch-and-Bound.
Algoritmo 4.8: Método de Branch-and-Bound.
Entrada: lower(), upper(), D, f ()
Saída: z∗
1 início
2 Criar uma fila Q;
3 U B = upper(f, D);
4 LB = lower(f, D);
5 N o = [LB, U B];
6 OP T = true;
7 enquanto |Q| > 0 ou OP T == true faça
8 N oi = remove(Q);
9 se LBi > U B então
10 continue;
11 fim
12 se LBi == U B então
13 se U Bi > U B então
14 U B = U Bi ;
15 fim
16 continue;
17 fim
18 senão
19 {D1 , D2 , ..., Dk } = branch(D);
20 para j = 1 até k faça
21 U Bj = upper(f, Dj );
22 LBj = lower(f, Dj );
23 N oj = [LBj , U Bj ];
24 insere(Q, N oj , prioridade(N oj ));
25 se U Bj > U B então
26 U B = U Bj ;
27 fim
28 fim
29 fim
30 se tempo > limite então
31 OP T = f alse;
32 |Q| = 0;
33 fim
34 fim
35 retorna U B
36 fim
O passo da ramificação da função prioridade mostrado na linha 24 diz respeito
ao processo de escolha da ordem dos nós a serem ramificados. Existem diversas
estratégias de seleção:

(i) Busca em largura;

(ii) Busca em profundidade;

(iii) Busca prioritária pelo nó com maior valor de prioridade(),

4.7 Complete Greedy Algorithm (CGA) 36

dentre outras.
A Busca em largura pode exigir mais memória do que o esperado, porém, é a
mais usada para problemas com árvore de busca k-ária. A Busca em profundidade
se mostra viável, pois sempre exige uma memória limitada polinomialmente. Outra
vantagem é que, a cada nível de profundidade atingido pelos nós resolução da rela-
xação, se aproxima mais da solução inteira. A Busca prioritária tem, como objetivo,
explorar o nó que possui o melhor limitante primeiro.
Estas variações do Método Branch-and-Bound geram algoritmos diversos, como
o mostrado na Seção seguinte.

4.7 Complete Greedy Algorithm (CGA)

Um algoritmo do tipo Branch-and-Bound aplicado ao MWNPP é o Complete
Greedy Algorithm (CGA), proposto em (Korf, 1998). Este algoritmo usa uma enu-
meração clássica de k-partições, baseada em uma construção similar à recorrência
dos Números de Stirling. A Figura 4.1 mostra um exemplo de uma enumeração de
partições aplicada ao CGA.

(x1+ x3+ x4, x2, 0)

(x1+ x3, x2+ x4, 0)

(x1+ x3, x2, 0)
(x1+ x3, x2, x4)

(x1+ x4, x2+ x3, 0)

(x1, x2+ x3+ x4, 0)

(x1, x2+ x3, 0)
(x1, x2+ x3, x4)
(x1, x2, 0)
(x1+ x4, x2, x3)
(x1, x2, x3)
(x1, x2+ x4, x3)
(x1, 0, 0)
(x1, x2, x3+ x4)

(x1+x2+x3+x4, 0, 0)
(x1+ x2, 0, 0) (x1+ x2+ x3, 0, 0)
(x1+x2+x3, x4, 0)

(x1+ x2+ x4, x3, 0)

(x1+ x2, x3, 0)
(x1+ x2, x3+ x4, 0)

(x1+ x2, x3, x4)

Figura 4.1: Exemplo de árvore de busca completa para o MWNPP: |V | = 4 e k = 3.

Observe que, pela Figura 4.1, o método parece impraticável, pois há 22 nós
para uma instância de dimensão 4 e considerando k = 3, ou seja, uma instância
de pequena dimensão. Mas algumas boas ideias podem melhorar seu desempenho,
conforme discutido a seguir.
Existem alguns nós folhas infactíveis e isso induz a inserir uma regra de poda.
Na prática, esta poda é suprimida pelo corte por limitante, equivalente ao Critério
4.7 Complete Greedy Algorithm (CGA) 37

(ii) no caso do Método de Branch-and-Bound. A melhor ideia, nesse caso, é impor

um critério para que nós com h partes vazias no nível n − h da árvore só façam um
único filho, alocando o elemento vn−h+1 sempre em uma parte vazia. Quando um
nó entra nesse critério, seu valor de limitante superior UB não se altera mais.
A Figura 4.2 mostra um exemplo de uma árvore de busca completa, enumerando
todas as k-partições de uma sequência com nós livres de infactibilidade. Nota-se
que o número de folhas dessa árvore é exatamente S(4, 3) = 6.

(14, 7, 5)
(14, 7, 0)

(8, 13, 5)
(8, 13, 0)

(13, 7, 6)

(8, 7, 0) (8, 7, 6) (8, 12, 6)

(8, 0, 0)
(8, 7, 11)
(15, 0, 0)
(15, 6, 0)
(15, 6, 5)

Figura 4.2: Exemplo de árvore de busca sem partes vazias para o MWNPP: V =
{8, 7, 6, 5} e k = 3

As entradas do vetor sum presente em cada um desses nós variam de acordo com
o nó que este representa. Como se vê na Figura 4.2, cada nó tem um vetor com
3 entradas. Calculando a diferença entre vetores sumf ilho e sumpai , identifica-se
o último elemento alocado. Por exemplo, no caso (15, 6, 5) − (15, 6, 0) = (0, 0, 5)
significa que o elemento 5 foi adicionado na parte 3. Observa-se essa propriedade
no Algoritmo 4.11.
Para construir o Algoritmo CGA, usa-se um limite inferior proposto em Korf
(1998), baseado no princípio de que, se a parte com soma maior supera P =
1 X
vi , uma (k − 1)-partição perfeita dos demais elementos é a melhor solução
k i∈A
max
que se pode encontrar. Guardada a soma dos elementos da sequência na inicializa-
ção do algoritmo, o custo da função lower(), calculada conforme o Algoritmo 4.9, é
O(k) em qualquer nível da árvore de busca.
De fato, se este limite inferior e se uma solução factível de um nó tiverem o
mesmo valor de função objetivo que o valor LB retornado na função lower(), este
nó será um ótimo local.
Deve-se ressaltar que este limite inferior não é uma solução relaxada do MWNPP,
pois não está associado a qualquer modelo matemático desse problema, como, por
exemplo, o mostrado pelas expressões (2.25)-(2.29). Devido a isso, não é um bom
limitante, à medida que os níveis da árvore de busca se afastam da raiz. Isto pode
4.7 Complete Greedy Algorithm (CGA) 38

Algoritmo 4.10: upper(): limite superior do Algoritmo CGA baseado no

Algoritmo 4.1
Entrada: Uma sequência V , um vetor sum, k, nível h,f ()
Saída: U B
1 início
2 para i = h + 1 até n faça
3 l = arg minj sum;
4 Al = Al ∪ i;
5 suml = suml + vi ;
6 fim
7 U B = f ({A1 , A2 , ..., Ak });
8 retorna U B
9 fim

prejudicar as podas do algoritmo.

Algoritmo 4.9: lower(): limite inferior do Algoritmo CGA.
Entrada: Uma sequência V , um vetor sum, k, nível h
Saída: LB
1 início
2 LB = 0;
n
X
3 r1 = vi ;
i=h+1
X k
4 r2 = sumi ;
i=1
5 l = arg maxj sum;
6 se suml > r1 +r
k
2
então
2 −suml
7 LB = suml − r1 +rk−1 ;
8 fim
9 retorna LB
10 fim
O limite superior do Algoritmo CGA é o próprio LPT, com um vetor soma dos
elementos das partes, quando os elementos de v1 até vh já estão pré-alocados. Com
os elementos já em ordem não crescente na inicialização do método, uma execução
desse algoritmo em um nível h da árvore de busca tem custo O(n − h).
A função ramif ica() do Algoritmo CGA, mostrada no Algoritmo 4.11, apenas
cria nós e os insere em uma lista F . O primeiro desvio condicional da função
impede a ramificação de nós infactíveis. Essa operação não é uma poda, pois só
faz o algoritmo ramificar certo, em lugar de podar uma ramificação infactível, como
mostram as Figuras 4.1 e 4.2.
Claro que, na prática, a implementação desta função não deve listar nós filhos
e colocá-los em uma lista para serem percorridos novamente no crivo de cortes do
algoritmo. As opções para corrigir tal problema são:

(i) incorporar a função ramif ica() ao corpo do código do Branch and Bound; ou
4.7 Complete Greedy Algorithm (CGA) 39

(ii) incorporar os cortes dentro da função ramif ica(), trocando a lista F pela
própria fila Q.

Algoritmo 4.11: ramif ica(): função de ramificação do Algoritmo CGA.

Entrada: Uma sequência V , k, upper(), lower(), N o.
1 início
2 sum = N o.sum;
3 h = N o.h;
4 i = 1;
5 se h ≥ n − k e sumn−h == 0 então
6 ramo = f alse;
7 sumn−h = sumn−h + vh+1 ;
8 LB = lower(V, sum, k, h + 1);
9 U B = upper(V, sum, k, h + 1, f ());
10 N oi = [LB, U B, sum, h + 1];
11 insere(N oi , F );
12 fim
13 enquanto ramo == true faça
14 sumi = sumi + vh+1 ;
15 LB = lower(V, sum, k, h + 1);
16 U B = upper(V, sum, k, h + 1, f ());
17 N oi = [LB, U B, sum, h + 1];
18 insere(N oi , F );
19 sumi = sumi − vh+1 ;
20 i = i + 1;
21 se sumi == 0 ou i == k então
22 ramo = f alse;
23 sumi = sumi + vh+1 ;
24 LB = lower(V, sum, k, h);
25 U B = upper(V, sum, k, h, f ());
26 N oi = [LB, U B, sum, h + 1];
27 insere(N oi , F );
28 sumi = sumi − vh+1 ;
29 fim
30 fim
31 retorna F
32 fim

A estrutura completa do Algoritmo CGA é mostrada no Algoritmo 4.12. Ele

funciona de maneira similar ao Algoritmo 4.8, mas usa as funções auxiliares dos
Algoritmos 4.9, 4.10 e 4.11. O nó raiz é inicializado com um limite inferior LB = 0,
1
P
a menos que o elemento v1 seja maior que k i∈V vi . Existe a possibilidade de iniciar
este algoritmo com uma solução diferente, dada pelo retorno da função upper(),
denotada por SolInit(), pois qualquer Branch and Bound é sensível à qualidade
da solução inicial. O algoritmo finaliza ou por limite de tempo ou por critério de
otimalidade global.
O funcionamento completo do Algoritmo CGA é melhor descrito pelas Figuras
4.7 Complete Greedy Algorithm (CGA) 40

4.3 e 4.4.
Algoritmo 4.12: Algoritmo CGA
Entrada: SolInit(), lower(), upper(), ramif ica(), V, k
Saída: U B
1 início
2 Criar uma fila Q;
3 h = 1;
4 sum1 = v1 ;
5 ub = SolInit();
6 lb = lower(V, sum, k, h + 1);
7 N o = [lb, ub, sum, h];
8 insere(Q, N o);
9 U B = ∞;
10 LB = 0;
11 i = 1;
12 OP T = true;
13 enquanto |Q| > 0 ou OP T == true faça
14 N oi = remove(Q);
15 F = ramif ica(V, k, upper(), loower(), N oi );
16 para N oj ∈ F faça
17 se N oj .lb > U B então
18 continue;
19 fim
20 se N oj .ub == N oj .lb então
21 se N oj .ub > U B então
22 U B = N oj .ub;
23 fim
24 continue;
25 fim
26 senão
27 insere(Q, N oj );
28 se N oj .ub > U B então
29 U B = N oj .ub;
30 fim
31 fim
32 fim
33 se tempo ≥ limite então
34 OP T = f alse;
35 |Q| = 0;
36 fim
37 fim
38 retorna U B
39 fim

A Figura 4.3 mostra a árvore de busca do Algoritmo 4.12 aplicado a um exemplo

de pequena dimensão. A ordem de exploração dos nós é de cima para baixo e da
esquerda para a direita. As marcações nas arestas são j : vi , indicando que, naquele
4.7 Complete Greedy Algorithm (CGA) 41

nó, insere-se o elemento vi na parte j.

LB1=0
UB1=3

1:7 2:7

LB2=7.5 LB2=0
UB2=9 UB2=3

1:6 2:6 3:6

LB3=6 LB3=4.5 LB3=0

UB3=7 UB3=5 UB3=3

1:5 2:5 3:5

LB4=4.5 LB4=3 LB4=1.5

UB4=5 UB4=4 UB4=3

1:4 2:4 3:4 1:4 2:4 3:4

LB4=6 LB4=10 LB4=4 LB4=5 LB4*=3 LB4=7.5

UB4=6 UB4=10 UB4=4 UB4=5 UB4*=3 UB4=8

Figura 4.3: Exemplo de árvore de busca com podas V = {8, 7, 6, 5, 4} e k = 3.

LB1=0
UB1=3

1:7 2:7

LB2=7.5 LB2=0
UB2=9 UB2=3

1:6 2:6 3:6

LB3=6 LB3=4.5 LB3=0

UB3=7 UB3=5 UB3=3

LPT(11,8,7,4)

LB4*=3
UB4*=3

Figura 4.4: Exemplo de árvore de busca com podas e terminada com o algoritmo
(LPT) a partir do nível n − k − 2.

Inicialmente, conforme a Figura 4.3, a raiz tem LB1 = 0 e U B1 = 3, o nó

correspondente ao elemento v1 fixado na parte 1. A exploração dos nós segue até a
certificação de otimalidade global, ou seja, quando LBi = U Bi = 0 ou LBi = U Bi
no nível n da árvore de busca. Nesta fase não existem mais nós ativos.
Em Korf (2011) mostra-se que o LPT é exato quando n ≤ k + 2. Este resultado
facilita o uso do Algoritmo CGA, pois não existe a necessidade de explorar nós no
nível n − k − 2 da árvore de busca e basta usar o LPT em cada nó ativo e o menor
limite superior será o valor ótimo do problema.
Capítulo 5

Algoritmos Propostos para o

Problema da k-Partição de Números

Este Capítulo apresenta algoritmos heurísticos e exatos propostos nesta disserta-

ção para a solução do Problema da k-Partição de Números (MWNPP). O Capítulo
é iniciado com a Seção 5.1, em que uma proposta de algoritmo geral para a solução
do MWNPP é introduzida. Em seguida, a Seção 5.2 mostra uma proposta de adap-
tação da meta-heurística Iterated Local Search (ILS) para a solução do problema
em análise. A Seção 5.4 mostra um algoritmo pseudo-polinomial para o Problema
de Decisão 3.2.1. Por fim, a Seção 5.5 apresenta uma proposta de algoritmo exato
baseado no CGA.

5.1 Algoritmo Genérico para MWNPP

Seja V uma sequência de números. Considere a existência de um algoritmo,
denominado part2 (V, X), que aproxima a solução do MWNPP dada uma partição
inicial, e um algoritmo part1 (V, k), que encontra uma solução inicial para o MWNPP.
É possível, então, propor um algoritmo, inspirado no Algoritmo 0/1-Interchange,
mostrado no Algoritmo 4.2 da Seção 4.2, que solucione o Problema da k-Partição
de Números (MWNPP).
O Algoritmo 5.1 contempla esta proposição, sendo uma proposta de solução geral

42
5.2 Adaptação do ILS para a Solução do Problema da k-Partição de Números 43

para o Problema da k-Partição de Números.

Algoritmo 5.1: iterails(): Algoritmo de solução Geral para o MWNPP.
Entrada: Um sequência V , part1 (), part2 (), k, f ().
Saída: k-partição dos índices de V .
1 início
2 {A1 , ..., Ak } = part1 (V, k);
3 repita
4 obj = f (A1 , A2 , ..., Ak);
X 
5 j 0 = arg max vi ;
j0  
 i∈Aj0 
X 
6 j = arg min vi ;
j  
i∈Aj
7 X = A;
8 troca(X, 1, j 0 );
9 troca(X, k, j);
10 {A1 , A2 , ..., Ak } = part2 (V, X);
11 até obj == f (A1 , A2 , ..., Ak );
12 retorna {A1 , A2 , ..., Ak };
13 fim
Após a linha 2, a comparação entre obj e a função objetivo do Algoritmo 5.1
descrito acima, pode-se listar dois casos:

(i) a parte de maior soma fica menor e a parte de menor soma fica maior; ou

(ii) ambas as partes permanecem inalteradas. Enquanto o primeiro caso ocorre, a

função objetivo do problema decresce.

Portanto, o ótimo ainda não foi encontrado.

Observe que o Algoritmo 5.1 é um algoritmo geral para a solução do MWNPP.
O Algoritmo part2 () é parte desse algoritmo geral, assim como o Algoritmo part1 (),
que retorna uma solução inicial. O Algoritmo 5.1 cumpre a função de gerar a
partição do conjunto que leve a uma solução viável do MWNPP. Qualquer método
que execute as funções dos Algoritmos part1 e part2 pode vir a ser implementado,
seja um método exato, uma heurística ou uma meta-heurística.
A Seção 5.2 apresenta uma adaptação da meta-heurística ILS, mostrada em sua
versão geral no Algoritmo 4.4 da Seção 4.4, para atuar com a função do Algoritmo
part2 .

5.2 Adaptação do ILS para a Solução do Problema

da k-Partição de Números
Com uma solução inicial já bem aproximada para o problema, basta encontrar
uma boa estratégia para rearranjar elementos e buscar uma solução ainda melhor.
O refinamento acontece pela busca de um elemento a ser realocado, pertencente à
5.2 Adaptação do ILS para a Solução do Problema da k-Partição de Números 44

parte de maior soma. Se esse elemento não superar a metade do valor da função
objetivo para partição atual, busca-se um segundo elemento na mesma parte para
completar essa diferença. Caso contrário, busca-se um segundo elemento na parte de
menor soma para retirar o excesso. Caso não exista forma de se fazer uma troca ou
realocação de dois elementos sem a piora da função objetivo, tenta-se a realocação de
um único elemento. O algoritmo para quando não existirem mais trocas de melhora.
As subseções a seguir detalham esta estratégia.

5.2.1 Movimento e Vizinhança

O movimento de realocação sempre aproxima a parte de maior soma, encolhendo-
a, da parte de menor soma, aumentando-a. O movimento mi,j significa que um
elemento sai da parte de índice i e vai para parte de índice j. Assim, gera-se a
vizinhança N (s) da solução s, na forma:
N (s) = {s0 : s0 ← s ⊕ mi,j , ∀i ∈ A} (5.1)
sendo A o conjunto de índices das partes. A dimensão da vizinhança é |A|. Essa
operação é a perturbação do ILS descrito no Algoritmo 4.4 na Seção 4.4 do Capí-
tulo 4.

5.2.2 Estratégia de Realocação

Os movimentos entre elementos das partes são definidos na forma de problemas
de otimização. A seguir, são descritos os movimentos de Realocação de um elemento,
Realocação de dois elementos e Troca de dois elementos. A solução desses problemas
aponta os elementos que devem ser trocados ou realocados. Essa operação é a busca
local do ILS descrito no Algoritmo 4.4 na Seção 4.4 do Capítulo 4.

Realocação de um elemento
A ideia principal do método é determinar, dentre todos os elementos da parte de
maior soma, aquele que mais reduz o valor da função objetivo, e realocá-lo na parte
de menor soma. Essa busca gera um subproblema, que consiste em encontrar:
max {ai } (5.2)
ai ∈Amax
!
1 X X
s.a ai ≤ vi − vi (5.3)
2 i∈Amax i∈Amin

Realocação de dois elementos

Pode-se, também, realocar dois elementos de uma só vez, passando-os da parte
de maior soma para a parte de menor soma, caso este seja o movimento que reduz
o valor da função objetivo. O subproblema associado a essa busca é:
max {ai + bj } (5.4)
ai ∈Amax ,bj ∈Amin
!
1 X X
s.a ai + b j ≤ vi − vi (5.5)
2 i∈Amax i∈Amin
5.2 Adaptação do ILS para a Solução do Problema da k-Partição de Números 45

Troca de dois elementos

A ideia secundária é determinar, dentre todos os elementos ai da parte de maior
soma, e bj , da parte de menor soma, aqueles que mais aumentam a função objetivo.
Para isso, troca-se os dois elementos cuja diferença seja a mais próxima possível da
metade do valor da função objetivo. Essa busca gera um subproblema, que consiste
em encontrar:

min {ai − bj } (5.6)

ai ∈Amax ,bj ∈Amin
!
1 X X
s.a ai − b j ≤ vi − vi (5.7)
2 i∈Amax i∈Amin

5.2.3 Critérios de Parada

Os movimentos continuam enquanto houver possibilidade de melhora da função
objetivo pelo movimento ou um limite de iterações não chegar ao fim. Caso con-
trário, o algoritmo para. Esse critério evita ciclos, mesmo sem reconhecer trocas já
realizadas anteriormente.

5.2.4 Implementação
O ILS deve ser usado no lugar da função part2 () dentro do Algoritmo 5.1, já que
este opera trocas e realocações até o critério de parada. O Algoritmo 5.2 atualiza
suas entradas, realocando um ou dois elementos de X1 para Xk ou trocando dois
5.2 Adaptação do ILS para a Solução do Problema da k-Partição de Números 46

elementos entre essas partes.

Algoritmo 5.2: ils(): Adaptação do ILS para a solução do Problema da k-
Partição de Números.
Entrada: {X1 , X2 , ..., Xk }, obj
Saída: {X1 , X2 , ..., Xk }, obj
1 início
2 obj1 = obj;
3 para a ∈ X1 faça
4 troco = a − obj1/2;
5 se troco > 0 então
6 s1 = busca-remove(a, X1 );
7 s2 = busca-remove(troco, Xk );
8 insere(s1, Xk );
9 insere(s2, X1 );
10 obj = obj − (s1 − s2);
11 fim
12 senão se troco < 0 então
13 s1 = busca-remove(a, X1 );
14 s2 = busca-remove(−troco, X1 );
15 insere(s1, Xk );
16 insere(s2, Xk );
17 obj = obj − (s1 + s2);
18 fim
19 senão
20 s1 = busca-remove(a, X1 );
21 insere(s1, Xk );
22 obj = obj − s1;
23 fim
24 fim
25 retorna {X1 , X2 , ..., Xk }, obj
26 fim

Suponha, sem perda de generalidade, que {X1 , X2 , ..., Xk } seja uma partição com
as partes ordenadas em ordem decrescente por suas somas. Assim, X1 representa a
parte de maior soma e Xk representa a parte de menor soma.
Usa-se o ILS para fazer movimentos entre X1 e Xk , já que este opera trocas
e realocações somente entre as partes de maior e menor soma. O Algoritmo 5.2
atualiza suas entradas, realocando um ou dois elementos de X1 para Xk ou trocando
dois elementos entre essas partes. Após reduzir o custo da função objetivo, ele
retorna ao Algoritmo 5.1 para decidir se deve buscar um novo movimento.
Representa-se a partição por uma min max heap de tabelas hash. Com esta
estrutura de dados, o custo para encontrar a maior e a menor parte após o movimento
do ILS tem complexidade O(log(n)). A função busca-remove(a, S) procura o maior
elemento menor ou igual ao valor a em uma lista encadeada. Por isso, os dados de X1
e Xk são armazenados em uma tabela hash, afim de amortizar o custo dessa busca.
A função hash usada na tabela tem as propriedades de um histograma, mantendo
elementos de um determinado intervalo dentro da mesma posição.
5.4 Intensificação do LPT 47

Seja a sequência V com todos os seu elementos contidos no intervalo (a, b). Para
alocar os elementos de V em uma tabela com tamanho m usa-se a função:
 
(x − a)
hash(x) = m. (5.8)
(b − a)

Como as instâncias têm distribuição uniforme, espera-se que as listas em cada

n
posição da tabela contenham m elementos. Essa propriedade acelera a busca pela
variável troca, permitindo que o Algoritmo 5.2 tenha uma complexidade amortizada
de O(n).

5.3 Intensificação do LPT

Uma modificação trivial do Algoritmo LPT, mostrado no Algoritmo 4.1, que
é capaz de intensificar sua resposta é apresentada no Algoritmo 5.3, denominado
LPT_1. Sua ideia é uma rotina que lista qual é a resposta do LPT quando iniciado
com o elemento vi na posição 1.
Algoritmo 5.3: Lpt_1: guarda as melhores soluções de n iterações do LPT
Entrada: Uma sequência V , k, f ().
Saída: aux.
1 início
2 para h = 1 até n faça
3 sum1 = vh , a = vh e vh = 0;
4 para i = 1 até n faça
5 l = arg minj sum;
6 Al = Al ∪ i;
7 suml = suml + vi ;
8 fim
9 vh = a e sum1 = 0;
10 ub = f ({A1 , A2 , ..., Ak });
11 se ub < aux então
12 aux = ub;
13 fim
14 fim
15 retorna aux
16 fim

Para cada possibilidade, guarda-se o menor valor em uma variável auxiliar aux.
Assim, o Algoritmo Lpt_1 tem complexidade O(n2 ). Esse método garante que a res-
posta do Algoritmo Lpt_1 seja sempre menor ou igual à resposta do Algoritmo LPT.

5.4 Algoritmos Exatos

Uma ideia ingênua para resolver o problema MWNPP com um algoritmo exato
para o Problema da Soma de Subconjuntos, já descrito no Algoritmo 4.3, é obter
5.5 Algoritmo Híbrido CGA+ILS 48

1X
uma parte com a soma mais próxima de vi , retirá-la de V , decrementar k e
k i∈I
n
fazer isso até V = ∅. Esta ideia está posta no Algoritmo 5.4.
Algoritmo 5.4: kpart(): o algoritmo retorna parte a parte, usando, k vezes,
um algoritmo exato para o Problema da Soma de Subconjuntos.
Entrada: Uma sequência V , inteiro k, subsetsum()
Saída: k-Partição do conjunto V , {A1 , A2 , ..., Ak }
1 início
2 se V = ∅ então
3 break;
4 fim
Ak = subsetsum(V, k1 i∈In vi );
P
5
6 V = V \ Ak ;
7 {A1 , A2 , ..., Ak−1 } = kpart(V, k − 1);
8 retorna {A1 , A2 , ..., Ak };
9 fim

Deve-se lembrar que a função subsetsum() é dada pelo Algoritmo 5.3.

Em muitos casos, a aplicação do Algoritmo 5.4 é inviável, pois utiliza um algo-
ritmo exponencial k vezes. Além disso, o Algoritmo 5.4 pode falhar, caso a instância
seja livre de partições perfeitas, com valor de função objetivo igual a 0, ou quando
um subconjunto retirado tem dois elementos pertencentes a partes distintas na par-
tição ótima.
Um método correto de Programação Dinâmica é considerar a função f (i, sumj )
como a solução ótima do MWNPP, usando os i primeiros elementos de V com a
soma da parte j igual a sumj para cada j ∈ {1, ..., k − 1}. Pode-se escrever esta
função da seguinte maneira:

f (i, sumj ) = min {f (i − 1, sumj6=l ∪ suml − ai ), f (i − 1, sumj )} (5.9)

1≤l≤k−1

Esta Equação de recorrência 5.9 informa que f (i, sumj ) é o menor valor de todos
os subproblemas f (i − 1, sumj6=l ∪ suml − ai ), supondo que o elemento ai está na
parte l para cada l ∈ {1, ..., k − 1}, ou o subproblema f (i − 1, sumj ) que indica que
elemento ai está na parte k. A solução procurada será f (n, sumj ). Esse método é
inviável caso os elementos de V tenham muitos algarismos.

5.5 Algoritmo Híbrido CGA+ILS

A maior vantagem das heurísticas simples, com baixa complexidade, é que elas
são uma parte importante dos métodos exatos de enumeração implícita. Conside-
rando o Algoritmo CGA, mostrado no Algoritmo 4.12 da Seção 4.6 do Capítulo 4,
uma heurística construtiva pode ser aplicada dentro de um algoritmo exato para
gerar limites superiores, enquanto uma relaxação serve para encontrar limites infe-
riores.
5.5 Algoritmo Híbrido CGA+ILS 49

Seja H(I) uma heurística, R(I) uma relaxação e Opt(I) o ótimo global para o
problema de minimização I. Então, tem-se que:

R(I) ≤ Opt(I) ≤ H(I) (5.10)

Logo, uma melhoria em uma relaxação ou em uma heurística usada pode gerar
cortes em uma árvore de busca e acelerar o desempenho de um método de enume-
ração implícita.
Para melhorar o desempenho do CGA, propõe-se uma série de modificações nos
seus principais métodos, com exceção da função ramifica().

5.5.1 Limite Inferior para a Relaxação

Esta Subseção apresenta um procedimento para a determinação de um limite
inferior para a relaxação do problema MWNPP.
Primeiro, troca-se o limite inferior de um subproblema associado a um nó por
um resultado mais próximo da solução ótima do problema relaxado apresentado no
modelo dado pelas Expressões (2.25)-(2.29).
Agora, o objetivo é supor uma distribuição ideal dos elementos não alocados.
n
1X
Dado que uma ou mais partes superam vi , resta aumentar ao máximo o ta-
k i=1
manho da menor parte distribuindo elementos de modo fracionário.
O Algoritmo 5.5 formaliza o procedimento de cálculo do limite inferior da rela-
xação.

Algoritmo 5.5: lower(): limite inferior do CGA baseado na relaxação do

modelo matemático (2.25)-(2.29).
Entrada: Uma sequência V , um vetor sum, k, nível h.
Saída: LB.
1 início
r = ni=1 vi ,;
P
2
3 x = k;
4 s = r;
5 para l = 1 até k faça
6 se suml > kr então
7 s = s − suml ;
8 x = x − 1;
9 fim
10 fim
11 l = arg maxj sum;
12 LB = suml − xs ;
13 retorna LB
14 fim
5.5 Algoritmo Híbrido CGA+ILS 50

5.5.2 Limite Superior para a Relaxação

Esta Subseção apresenta um procedimento para a determinação de um limite
superior para a relaxação do problema MWNPP.
Assim, neste caso, usa-se o Algoritmo 5.2, ou seja, a adaptação da metaheurística
ILS proposta para a solução do MWNPP, para que o limite superior decresça mais
rapidamente. O Algoritmo 5.6 formaliza esta estrutura de cálculo.
Para o uso do Algoritmo 5.2 como parte integrante da função upper(), mostrada
no Algoritmo 5.6, sugere-se um pequeno número máximo de iterações, para evitar
problemas com a diferença de complexidade na exploração de 2 nós distintos. Dessa
maneira, limita-se o Algoritmo 5.2 em, no máximo, 10 iterações. Aplicam-se os
movimentos apenas em elementos vi com i > h, sendo h a profundidade do nó na
árvore de busca, para não descaracterizar a solução parcial do nó explorado. Com
esta mudança, espera-se uma convergência mais rápida do algoritmo.
Como cada iteração do Algoritmo 5.2 tem a mesma complexidade assintótica do
LPT, pode-se dizer que cada nó explorado com essa modificação fica 11 vezes mais
caro.
Algoritmo 5.6: Limite superior refinado pelo ILS baseado nos algoritmos 5.1
e 5.2, upper()
Entrada: Uma sequência V , um vetor sum, k, nível h,f ().
Saída: U B.
1 início
2 para i = h + 1 até n faça
3 l = arg minj sum;
4 Al = Al ∪ i;
5 suml = suml + vi ;
6 fim
7 {A1 , A2 , ..., Ak } = iterails({A1 , A2 , ..., Ak });
8 U B = f ({A1 , A2 , ..., Ak });
9 retorna U B
10 fim

5.5.3 Prioridade de Busca na Árvore

Esta Subseção apresenta um procedimento para determinar a ordem de explora-
ção dos nós na árvore de busca.
O CGA original usa uma fila comum para fazer sua busca em largura. Este é
um método clássico e sua principal vantagem é o baixo custo da retirada e inserção
de nós. Usando uma fila de prioridades implementada em uma min-heap, pode-
se impor uma ordem de exploração, de modo que os nós mais promissores serão
explorados primeiramente. Os nós mais promissores são aqueles com limites supe-
riores mais próximos do seus limites inferiores e, ao mesmo tempo, do menor limite
superior histórico.
O Algoritmo 5.7 retorna uma medida da adequação do nó a estas propriedades.
Uma penalidade, com um fator proporcional ao seu nível, impede que se priorize
apenas nós em níveis mais baixos.
5.5 Algoritmo Híbrido CGA+ILS 51

Algoritmo 5.7: Prioridade de busca do CGA+ILS baseado no critério de

otimalidade local, prioridade()
Entrada: Menor limite superior histórico U B, N o.
Saída: p.
1 início
2 se U B > N o.lb então
N o.ub − N o.lb 1
3 p= + ;
U B − N o.lb N o.h
4 fim
5 senão
6 p = ∞;
7 fim
8 retorna p
9 fim

A fila de prioridades consome O(log(n)) para inserir ou retirar nós, sendo n o

tamanho da fila. Isso pode ser trabalhoso, como mostra a Figura 2.1. Este método
só é viável na prática devido ao volume de cortes produzidos pelos novos limitantes.

5.5.4 Estrutura Geral do Algoritmo CGA+ILS

A estrutura geral do Algoritmo CGA+ILS é mostrada no Algoritmo 5.8. Ela in-
clui as alterações do Algoritmo CGA discutidas nas subseções precedentes, de modo
a melhorar tanto o cálculo de limitantes inferiores quanto de limitantes superiores
para a relaxação do problema MWNPP, como também inclui a melhor análise de
prioridade de busca da árvore.
O primeiro desvio condicional dentro do laço de repetição enquanto é a proprie-
dade da Figura 4.4, que mostra um método de fuga da exploração dos dois últimos
níveis da árvore de busca. Esta ideia está na versão original do CGA, apesar de
ser um resultado encontrado em Korf (2011). Nela, aplica-se o LPT, considerando
V = {sum1 , ..., sumk , vn−1 , vn }. A otimalidade global dessa solução está garantida,
pois |V | = n − k − 2.
5.5 Algoritmo Híbrido CGA+ILS 52

Algoritmo 5.8: Algoritmo Híbrido CGA+ILS

Entrada: lower(), upper(), ramif ica(), V, k, LP T ().
Saída: U B.
1 início
2 Criar uma fila Q;
3 h = 1;
4 sum1 = v1 ;
5 ub = SolInit(V, sum, k, h + 1);
6 lb = lower(V, sum, k, h + 1);
7 N o = [lb, ub, sum, h];
8 insere(Q, N o, prioridade(N o, ub));
9 U B = ub;
10 LB = 0;
11 i = 1;
12 OP T = true;
13 enquanto |Q| > 0 ou OP T == true faça
14 N oi = remove(Q);
15 se N oi .h == n − k − 2 então
16 X = sum ∪ {vn−1 , vn };
17 U Bi = LP T (X, k);
18 fim
19 F = ramif ica(V, k, upper(), lower(), N oi );
20 para N oj ∈ F faça
21 se N oj .lb > U B então
22 continue;
23 fim
24 se N oj .ub == N oj .lb então
25 se N oj .ub > U B então
26 U B = N oj .ub;
27 fim
28 continue;
29 fim
30 senão
31 se N oj .ub > U B então
32 U B = N oj .ub;
33 fim
34 insere(Q, N oj , prioridade(N oj , U B));
35 fim
36 fim
37 se tempo ≥ limite então
38 OP T = f alse;
39 |Q| = 0;
40 fim
41 i = i + 1;
42 fim
43 retorna U B
44 fim
Capítulo 6

Resultados Computacionais

Este Capítulo apresenta os resultados da aplicação dos algoritmos estudados e

desenvolvidos nesta dissertação. Está organizado da seguinte forma: a Seção 6.1
apresenta uma comparação entre heurísticas construtivas e o ILS proposto. A Seção
6.2 mostra uma comparação entre o CGA, implementado como na literatura, e o
CGA+ILS com prioridade de busca e limitantes modificados.
Os algoritmos foram implementados em linguagem C++. Os testes computacio-
nais foram realizados em um computador com processador Intel Core i3-M330, 2.13
GHz, 3GB de RAM e sistema operacional Ubuntu 14.04 de 32 bits.
Obtêm-se resultados dos algoritmos propostos com instâncias geradas aleatori-
amente. Os conjuntos gerados têm dimensão entre n ∈ {100, 200, 400, 800} e os
elementos são inteiros, variando de 0 até 999999999999, com 12 algarismos, tendo
distribuição uniforme. A dimensão n da sequência e o número de partes k são pa-
râmetros de entrada do gerador de instâncias. Um número entre 0 e 9, inclusive, é
gerado aleatoriamente por 12 vezes consecutivas. Esse processo é repetido n vezes
para a geração de uma instância de teste.

6.1 Algoritmos Heurísticos

O objetivo dos experimentos computacionais deste trabalho é analisar os algo-
ritmos heurísticos apresentados nos Capítulos 4 e 5, quais sejam, Algoritmos 4.1,
4.5, 5.3 e 5.1, de modo a realizar uma comparação entre o melhor resultado das
heurísticas construtivas e o ILS.
Para as Tabelas 6.1, 6.2, 6.3 e 6.4, adota-se a seguinte notação: a variável inst[i]
indica a i-ésima instância: de inst1 até inst5, n=100; de inst6 até inst10, n=200; de
inst11 até inst15, n=400 e de inst16 até inst20, n=800. O número k ∈ {3, 4, 5, 6}
complementa a instância, indicando o número de subconjuntos da partição. A pri-
meira coluna indica a instância do experimento. Da segunda até a quarta coluna
tem-se os algoritmos Lpt_0, Lpt_1, ILS, KK e suas respectivas soluções encon-
tradas. Da sexta até a oitava coluna tem-se a medida de erro relativo, calculada na
forma:

z(A) − z(B)
Gap(A/B) = .100% (6.1)
z(A)

53
6.1 Algoritmos Heurísticos 54

que mostra o quanto a resposta do algoritmo B é menor que a do algoritmo A,

quando Gap(A/B) > 0, ou maior, caso Gap(A/B) < 0, sendo z(A) e z(B) seus
respectivos valores de função objetivo. Se, por exemplo, Gap(A/B) = 90% signi-
fica que a resposta do Algoritmo A teria que ser dividida por 10 para se igualar à
resposta do algoritmo B. Não se compara o tempo de solução ou número de ope-
rações elementares desses algoritmos apresentados, pois todos têm complexidades
entre O(n) com multiplicidade menor que 10, O(n.log(n)) e O(n2 ). A ordem dos
algoritmos na entrada da função Gap() foi cuidadosamente escolhida para manter o
valor positivo e facilitar a conferência dos dados. Os casos em que Gap() = 100%
são causados pelo arredondamento de 99, 999...%.
Apesar dos trabalhos Gent e Walsh (1998) e Berretta e Moscato (1999) descreve-
rem que a Heurística de Karmarkar-Karp supera várias heurísticas e meta-heurísticas
em uma grande bateria de testes, ela se apresenta superada pelo Lpt_1 e pelo ILS
para todas as instâncias deste experimento, conforme mostrado nas Tabelas 6.1, 6.2,
6.3 e 6.4, para todos os valores de k considerados.
Na Tabela 6.5 tem-se uma comparação da Heurística de Karmarkar-Karp (KK)
e Lpt_1 com o ILS apresentado no Algoritmo 5.2. Esta comparação serve, por um
lado, para justificar que as instâncias geradas aleatoriamente não são fáceis, já que,
conforme pode ser avaliado, a heurística KK falha em se aproximar da solução ótima
e, por outro lado, justifica o uso do ILS dentro da função upper() a fim de otimizar o
CGA. Mostra-se isso com o Gap mínimo dessa Tabela, dado por 70, 52% na instância
inst4 para k = 3. Esta porcentagem informa o quanto a heurística KK teria que
reduzir sua solução para se equiparar ao valor encontrado pela meta-heurística ILS.
O algoritmo ILS proposto supera a heurística KK com um Gap() médio de mais de
99% e supera, também, Lpt_1 com um Gap() médio de mais de 88% em todas as
instâncias testadas.
É importante lembrar que, como a heurística LPT é, por definição, dominada
pela heurística Lpt_1, ela não é incluída nas comparações apresentadas. Pode-
se notar que a heurística Lpt_1 possui um menor Gap() na instância inst13 para
k = 5, sendo o valor do Gap() igual a 4, 02%, uma diferença pouco significativa.
Mas é importante ressaltar que, mesmo nesse caso, o valor de Gap() das amostras
é alto, conforme pode ser observado na Tabela 6.6. De fato, a meta-heurística ILS
supera ambas as heurísticas construtivas na análise dos valores de Gap().
Um teste t com 95% de confiança rejeita a hipótese nula de que o Gap(KK/ILS) ≤
97% sendo o resultado expressado pelo p-valor igual a 0, 0001470751, representando
que a probabilidade P (Gap(HKK/ILS) ≤ 97%) = 0, 0001470751. De modo in-
formal, pode-se dizer que as respostas do ILS são 33, 33... vezes menores que as
respostas de KK.
Outro teste t com realizado 95% de confiança rejeita a hipótese nula de que o
Gap(Lpt_1/ILS) ≤ 50% sendo o resultado expressado pelo p-valor igual a 0, 000011475,
representando que a probabilidade P (Gap(Lpt_1/ILS) ≤ 50%) = 0, 000011475.
Em geral, isso significa que em 95% dos testes realizados teremos as respostas do
ILS duas vezes menores que as respostas do Lpt_1.
O quadro 6.6 demonstra os quartis inferiores dos resultados de Gap(KK/ILS)
comparados com os quartis superiores dos resultados de Gap(Lpt_1/ILS). Esse
quadro comprova que o Algoritmo Lpt_1 se sai melhor contra o ILS do que o
Algoritmo HKK sem a necessidade de um teste estatístico porque o menor quartil
6.2 Algoritmos Heurísticos 55

inferior de HKK vs ILS supera em 2, 95% o maior quartil superior de Lpt_1 vs ILS.

K=3
Inst/Alg LPT Lpt_1 ILS KK Gap 0/1 Gap 1/ILS Gap KK/1
inst1 277667604 5937037 1687512 41346336 97,86% 71,58% 85,64%
inst2 33266420 15480040 1044716 1604884656 53,47% 93,25% 99,04%
inst3 130950041 39364611 4079508 2946161439 69,94% 89,64% 98,66%
inst4 42031699 35502732 17237659 58479988 15,53% 51,45% 39,29%
inst5 25191261 7118067 842232 6318269369 71,74% 88,17% 99,89%
inst6 218772576 9603978 3748156 636232165 95,61% 60,97% 98,49%
inst7 129206619 16126140 971246 103818313 87,52% 93,98% 84,47%
inst8 124586508 118159745 4266521 2328744777 5,16% 96,39% 94,93%
inst9 94160686 4227340 986676 74741269 95,51% 76,66% 94,34%
inst10 148223495 119895842 3903241 5698061694 19,11% 96,74% 97,90%
inst11 41115509 1947877 195622 3489497722 95,26% 89,96% 99,94%
inst12 78985609 48162349 19697495 1930925747 39,02% 59,10% 97,51%
inst13 78687824 24772373 605450 6020635525 68,52% 97,56% 99,59%
inst14 53432822 23953655 498615 378777978 55,17% 97,92% 93,68%
inst15 67315512 3972386 501916 16033000 94,10% 87,36% 75,22%
inst16 16378823 7254715 12989 160225313 55,71% 99,82% 95,47%
inst17 25902922 14815589 1012403 3149419117 42,80% 93,17% 99,53%
inst18 88537526 34748915 1781184 5407329606 60,75% 94,87% 99,36%
inst19 78236976 15483485 839650 1750977565 80,21% 94,58% 99,12%
inst20 7879334 634938 44351 3163580778 91,94% 93,01% 99,98%

Tabela 6.1: Comparação entre ILS e heurísticas construtivas com k = 3.

K=4
Inst/Alg LPT Lpt_1 ILS KK Gap 0/1 Gap 1/ILS Gap KK/1
inst1 122406112 71137211 27098191 1284570205 41,88% 61,91% 94,46%
inst2 447131534 267558610 103757256 2546849966 40,16% 61,22% 89,49%
inst3 87670981 25383442 3529043 4174645695 71,05% 86,10% 99,39%
inst4 255279548 223112333 76068954 603181331 12,60% 65,91% 63,01%
inst5 68540827 28873113 5495161 9416668966 57,87% 80,97% 99,69%
inst6 163368284 131740030 85445183 2645091384 19,36% 35,14% 95,02%
inst7 108654410 20649653 2191613 1825896268 81,00% 89,39% 98,87%
inst8 37173373 11387722 4860900 6791194503 69,37% 57,31% 99,83%
inst9 63897598 21408945 6779057 2384730430 66,49% 68,34% 99,10%
inst10 51519147 46310499 26276183 4364461985 10,11% 43,26% 98,94%
inst11 32449998 16007361 154687 6663918656 50,67% 99,03% 99,76%
inst12 148352240 55565684 35865428 5667277649 62,54% 35,45% 99,02%
inst13 98619586 69540563 13420539 7414857611 29,49% 80,70% 99,06%
inst14 91039351 76185564 28074947 461236599 16,32% 63,15% 83,48%
inst15 63619258 28409584 24758230 2628417671 55,34% 12,85% 98,92%
inst16 23733845 13964928 1236509 2737419471 41,16% 91,15% 99,49%
inst17 75575159 57203876 26758439 5197880087 24,31% 53,22% 98,90%
inst18 56084420 31967817 12018266 6212768244 43,00% 62,41% 99,49%
inst19 45002148 26991187 16414242 4265433595 40,02% 39,19% 99,37%
inst20 21909411 6501610 187551 6475984152 70,33% 97,12% 99,90%

Tabela 6.2: Comparação entre ILS e heurísticas construtivas com k = 4.

6.2 Algoritmos Heurísticos 56

K=5
Inst/Alg LPT Lpt_1 ILS KK Gap 0/1 Gap 1/ILS Gap KK/1
inst1 206448413 107820802 42456197 1339796923 47,77% 60,62% 91,95%
inst2 475570355 374614686 119154711 3412666863 21,23% 68,19% 89,02%
inst3 229590226 37937749 15730554 4336821085 83,48% 58,54% 99,13%
inst4 388564340 170727925 142781164 3122772011 56,06% 16,37% 94,53%
inst5 120270467 64320832 18155495 8643611068 46,52% 71,77% 99,26%
inst6 197777765 145917465 65858801 6430680846 26,22% 54,87% 97,73%
inst7 118818882 54510235 6682085 954421112 54,12% 87,74% 94,29%
inst8 178729820 90690347 72495658 7067196783 49,26% 20,06% 98,72%
inst9 107509840 32264710 18531124 6521820777 69,99% 42,57% 99,51%
inst10 183140948 170472298 49237473 5625413088 6,92% 71,12% 96,97%
inst11 62620330 26391490 11365285 7508244798 57,85% 56,94% 99,65%
inst12 174329379 156454992 95654464 6263240002 10,25% 38,86% 97,50%
inst13 73922250 64052640 61480216 7133551983 13,35% 4,02% 99,10%
inst14 107866991 85294733 62867537 1937028486 20,93% 26,29% 95,60%
inst15 47100982 34905809 21268395 2729821671 25,89% 39,07% 98,72%
inst16 43791832 21086571 3100909 6588625650 51,85% 85,29% 99,68%
inst17 79153253 66484390 37416121 4463460829 16,01% 43,72% 98,51%
inst18 59590511 35161862 28291419 8431894886 40,99% 19,54% 99,58%
inst19 69433290 27982741 2748595 5869626230 59,70% 90,18% 99,52%
inst20 25383590 16796368 4980795 4895060872 33,83% 70,35% 99,66%

Tabela 6.3: Comparação entre ILS e heurísticas construtivas com k = 5.

K=6
Inst/Alg LPT Lpt_1 ILS KK Gap 0/1 Gap 1/ILS Gap KK/1
inst1 330130131 149128749 106800464 3408735057 54,83% 28,38% 95,63%
inst2 484471029 285078347 148665500 3153114876 41,16% 47,85% 90,96%
inst3 151272212 61719896 36886563 5342568635 59,20% 40,24% 98,84%
inst4 435992281 218937314 89874741 4805673494 49,78% 58,95% 95,44%
inst5 255194773 180000607 57831137 7665955101 29,47% 67,87% 97,65%
inst6 199294002 25538362 16717269 7348838908 87,19% 34,54% 99,65%
inst7 166844782 53207785 44781556 1710733944 68,11% 15,84% 96,89%
inst8 202027224 119249485 65082322 5968101693 40,97% 45,42% 98,00%
inst9 184125469 139023597 15798486 6522418685 24,50% 88,64% 97,87%
inst10 179668093 134896753 13840334 7106364514 24,92% 89,74% 98,10%
inst11 62264721 26486948 20656301 7428669456 57,46% 22,01% 99,64%
inst12 259426183 102492483 79138836 6798570491 60,49% 22,79% 98,49%
inst13 213261381 171954956 100335139 6671863756 19,37% 41,65% 97,42%
inst14 190792175 179858672 75172828 4217015720 5,73% 58,20% 95,73%
inst15 159264611 69743775 26307641 1063440884 56,21% 62,28% 93,44%
inst16 33700662 15527663 12828067 5719228493 53,92% 17,39% 99,73%
inst17 27833906 21804875 18812342 5725885831 21,66% 13,72% 99,62%
inst18 80307181 35332179 9745616 9482468974 56,00% 72,42% 99,63%
inst19 87966387 55419045 24435532 6291892596 37,00% 55,91% 99,12%
inst20 53276421 31323019 4980669 5173001101 41,21% 84,10% 99,39%

Tabela 6.4: Comparação entre ILS e heurísticas construtivas com k = 6.

6.2 Algoritmos Exatos 57

KK × ILS Lpt_1 × ILS

Inst/ k k=3 k=4 k=5 k=6 k=3 k=4 k=5 k=6
inst1 95,92% 97,89% 96,83% 96,87% 71,58% 61,91% 60,62% 28,38%
inst2 99,93% 95,93% 96,51% 95,29% 93,25% 61,22% 68,19% 47,85%
inst3 99,86% 99,92% 99,64% 99,31% 89,64% 86,10% 58,54% 40,24%
inst4 70,52% 87,39% 95,43% 98,13% 51,45% 65,91% 16,37% 58,95%
inst5 99,99% 99,94% 99,79% 99,25% 88,17% 80,97% 71,77% 67,87%
inst6 99,41% 96,77% 98,98% 99,77% 60,97% 35,14% 54,87% 34,54%
inst7 99,06% 99,88% 99,30% 97,38% 93,98% 89,39% 87,74% 15,84%
inst8 99,82% 99,93% 98,97% 98,91% 96,39% 57,31% 20,06% 45,42%
inst9 98,68% 99,72% 99,72% 99,76% 76,66% 68,34% 42,57% 88,64%
inst10 99,93% 99,40% 99,12% 99,81% 96,74% 43,26% 71,12% 89,74%
inst11 99,99% 100,00% 99,85% 99,72% 89,96% 99,03% 56,94% 22,01%
inst12 98,98% 99,37% 98,47% 98,84% 59,10% 35,45% 38,86% 22,79%
inst13 99,99% 99,82% 99,14% 98,50% 97,56% 80,70% 4,02% 41,65%
inst14 99,87% 93,91% 96,75% 98,22% 97,92% 63,15% 26,29% 58,20%
inst15 96,87% 99,06% 99,22% 97,53% 87,36% 12,85% 39,07% 62,28%
inst16 99,99% 99,95% 99,95% 99,78% 99,82% 91,15% 85,29% 17,39%
inst17 99,97% 99,49% 99,16% 99,67% 93,17% 53,22% 43,72% 13,72%
inst18 99,97% 99,81% 99,66% 99,90% 94,87% 62,41% 19,54% 72,42%
inst19 99,95% 99,62% 99,95% 99,61% 94,58% 39,19% 90,18% 55,91%
inst20 100,00% 100,00% 99,90% 99,90% 93,01% 97,12% 70,35% 84,10%

Tabela 6.5: Comparação entre metaheurística ILS, Heurística de Karmarkar-Karp e

Heurística Lpt_1.
HKK vs ILS (Quartil inferior) Lpt_1 vs ILS (Quartil superior)
K=3 K=4 K=5 K=6 K=3 K=4 K=5 K=6
99,04% 98,77% 98,85% 98,20% 95,25% 82,25% 70,54% 63,68%

Tabela 6.6: Comparação entre quartis do Gap() das instâncias para cada valor de
k.

6.2 Algoritmos Exatos

Esta Seção mostra a comparação entre o desempenho do Algoritmo Híbrido
CGA+ILS, descrito pelo Algoritmo 5.8, e o desempenho do Algoritmo CGA, descrito
pelo Algoritmo 4.12, para a solução do problema MWNPP.
As Tabelas 6.7, 6.8 e 6.9 seguem a mesma lógica das anteriores. A variável inst[i]
indica a i-ésima instância: de inst1 até inst5, n=100; de inst6 até inst10, n=200; de
inst11 até inst15, n=400 e de inst16 até inst20, n=800. O número k ∈ {3, 4, 5, 6}
indica a quantidade de partes da partição. A primeira coluna contém as instâncias
do experimento. Executou-se cada instância com um tempo limite de uma hora
(3600 segundos).
As medidas de avaliação de desempenho apresentadas são:
• # nós : número de nós explorados até a finalização do algoritmo ou dentro de
uma hora de execução;
• z ∗ :menor limite superior encontrado pelo algoritmo.
Nas soluções destas tabelas, tanto o CGA quanto o CGA+ILS usam a solução
do ILS nas Tabelas 6.1, 6.2, 6.3 e 6.4 como solução inicial.
6.2 Algoritmos Exatos 58

Tanto o CGA quanto o CGA+ILS resolveram todas as instâncias de tamanho

100 dentro do tempo limite. Nas demais instâncias, os algoritmos não convergiram
para o ótimo pois o tempo limite se esgotou. O CGA+ILS se mostra melhor, no
sentido de explorar cerca de 100 vezes menos nós em todas as instâncias do que
justificariam as suas modificações em relação à versão original e obter um limite
superior com o valor cerca de 4 vezes menor com o mesmo tempo de execução que
o algoritmo concorrente no presente estudo. Isto significa que o CGA+ILS tem nós
computacionalmente mais caros, mas possui uma velocidade de convergência maior.
Em linhas gerais, quando o tempo de 3600 segundos é suficiente para resolver o
problema, o CGA+ILS entrega a resposta mais rapidamente que o CGA. Quando o
tempo limite se esgota antes do ótimo ser encontrado, o limite superior do CGA+ILS
é menor que o do CGA.
A medida que o valor de k aumenta, o problema fica, naturalmente mais difícil
para ambos os métodos em proporções muito parecidas como discutido na Seção 2.1
no Capítulo 2. Nesse aspecto, não existe diferença significativa entre os algoritmos
quando o valor de k varia entre 3 e 6.
A Tabela 6.7 mostra em quais instâncias e em quanto os limites superiores do
CGA+ILS são menores que os do CGA . A Tabela 6.8 apresenta o número de nós
explorados e limitantes encontrados pelo CGA.

CGA vs CGA+ILS
Inst/k K=3 K=4 K=5 K=6
inst1 0,00% 0,00% 0,00% 0,00%
inst2 0,00% 0,00% 0,00% 0,00%
inst3 0,00% 0,00% 0,00% 0,00%
inst4 0,00% 0,00% 0,00% 0,00%
inst5 0,00% 0,00% 0,00% 0,00%
inst6 59,95% 60,00% 60,00% 60,00%
inst7 39,92% 39,96% 40,00% 40,00%
inst8 49,96% 50,00% 50,00% 50,00%
inst9 49,83% 49,99% 50,00% 50,00%
inst10 39,96% 40,00% 40,00% 40,00%
inst11 0,00% 9,80% 10,00% 10,00%
inst12 29,99% 30,00% 30,00% 30,00%
inst13 19,84% 20,00% 20,00% 20,00%
inst14 49,87% 50,00% 50,00% 50,00%
inst15 29,79% 29,99% 30,00% 30,00%
inst16 0,00% 9,91% 9,98% 10,00%
inst17 39,85% 39,99% 40,00% 40,00%
inst18 59,91% 59,90% 60,00% 60,00%
inst19 19,57% 19,99% 19,99% 20,00%
inst20 0,00% 9,58% 9,99% 9,99%

Tabela 6.7: Tabela com o Gap(CGA/CGA + ILS) mostrando o CGA+ILS retorna

respostas estritamente menores que as do CGA quando o método não converge antes
de 3600 segundos.
 6.2

CGA
K=3 K=4 K=5 K=6
Inst/ k
z* # nós z* # nós z* # nós z* # nós
inst1 29654 52341140 54701 64212878 101297 87196118 87221 98236577
inst2 12678 43188174 49283 65193460 212794 86706868 90341 98858106
inst3 6785 42873090 11204 74956403 175301 86412524 68774 101324634
Algoritmos Exatos

inst4 11206 42603548 60315 76127913 163406 86600724 73982 100017977

inst5 35743 53680891 55497 64937019 200567 86519874 56033 99306585
inst6 193028 3268807365 2487907 3140003786 31304646 3711721837 5201972 3647926264
inst7 129455 3137376254 255080 3629980566 2207790 3699049586 18154991 3757154875
inst8 269345 3513097823 2298292 3820969827 14192063 3143551316 29655509 3639531813
inst9 61049 3929630096 1277764 3338837476 6166209 3841882373 6988464 3662224462
inst10 312385 3362539838 7062017 3785225439 16893493 3198371770 7820211 3124283497
inst11 9005 1888867514 52857 1473551100 2455587 1734909781 7966808 1079362164
inst12 972503 1852911928 3420533 1591325936 77276597 1295532516 54558844 1514165541
inst13 69072 1577157032 4177078 1322120335 3353472 1731897859 38725972 1764595235
inst14 84548 1856650184 5936640 1491866368 5185834 1872287281 13319079 1060782653
inst15 47001 1239338626 1285865 1600100617 6823108 1648566975 4352568 1373907032
inst16 625 847465743 116347 789589120 478041 879540720 4382256 553609095
inst17 68567 849951062 1142435 734054363 15756977 654964077 15264867 606544857
inst18 118072 792279709 104538 747749867 18145485 867242417 4112745 568813368
inst19 23785 799959238 821852 800164170 787553 959824883 11213751 680916084
inst20 1356 856990876 27162 801295462 2217848 797684814 1832947 604089616

Tabela 6.8: Menor limite superior histórico e número de nós explorados pelo CGA.
59
 6.2

CGA+ILS
K=3 K=4 K=5 K=6
Inst/ k
z* # nós z* # nós z* # nós z* # nós
inst1 29654 513148 54701 629538 101297 854863 87221 963103
inst2 12678 415270 49283 626860 212794 833719 90341 950558
inst3 6785 389755 11204 681421 175301 785568 68774 921133
Algoritmos Exatos

inst4 11206 405748 60315 725027 163406 824768 73982 952552

inst5 35743 521173 55497 630456 200567 839998 56033 964141
inst6 77312 32364429 995263 31089146 12521959 36749721 2080889 36118081
inst7 77778 29879773 153153 34571243 1324779 35229043 10893099 35782427
inst8 134778 33142432 1149252 36046885 7096137 29656144 14827860 34335205
inst9 30631 36725514 638989 31204088 3083211 35905442 3494339 34226396
inst10 187542 30293151 4237321 34101130 10136206 28814160 4692237 28146698
inst11 9005 17989214 47679 14033820 2210136 16522950 7170235 10279639
inst12 680861 16999192 2394482 14599320 54093726 11885619 38191299 13891426
inst13 55366 14469330 3341771 12129544 2682886 15888971 30980886 16188947
inst14 42382 17191205 2968428 13813577 2593025 17335993 6659647 9822061
inst15 33001 12270679 900206 15842580 4776276 16322445 3046898 13603039
inst16 625 8227822 104821 7665913 430345 8539230 3944139 5374845
inst17 41246 8018406 685567 6925041 9454292 6178906 9159026 5722121
inst18 47333 7545521 41920 7121427 7258299 8259451 1645203 5417270
inst19 19130 7842737 657583 7844746 630144 9410047 8971102 6675647
inst20 1356 8009260 24561 7488742 1996179 7454998 1649768 5645697

Tabela 6.9: Menor limite superior histórico e número de nós explorados pelo CGA+ILS.
60
Capítulo 7

Conclusão

Esta dissertação de mestrado apresentou um estudo da família de Problemas

de Partição de Números, com foco principal no Problema da k-Partição de Núme-
ros (MWNPP).
Propôs-se uma formulação matemática do MWNPP baseada em dois problemas
semelhantes da literatura, quais seja, o Problema do Empacotamento (BPP) e o
Problema de Escalonamento em Máquinas Idênticas (IMSP). Eliminando a multi-
plicidade de soluções do modelo de programação inteira, possibilitou-se um maior
entendimento da ramificação utilizada nos métodos exatos e a identificação de um
melhor limitante inferior que o presente na literatura, apresentado em Korf (1998).
O limite inferior de varredura da árvore de busca descrito na presente dissertação
cresce mais rapidamente a cada nível descido na árvore de busca, pois considera os
elementos não alocados com variáveis reais e as somas dos alocados em cada parte
com variáveis binárias, tendo uma solução do problema relaxado em O(k).
Provou-se a NP-completude do problema estudado com uma extensão da ideia
apresentada em Karp (1972). A ideia da demonstração é simples, mesmo que sua
formalização pareça um pouco mais complicada. Explorou-se a relação entre pro-
blemas de decisão e problemas de otimização, para exibir algoritmos polinomiais
teóricos, desde que exista um algoritmo de decisão O(1) para o mesmo.
Estudou-se algoritmos heurísticos, aproximados e exatos da literatura, aplicáveis
com o intuito de combinar ideias de diferentes paradigmas de solução de proble-
mas. O produto inicial deste trabalho foi uma adaptação da meta-heurística ILS
ao MWNPP, de modo que o algoritmo fosse rápido e significativamente melhor que
os demais métodos usados para obtenção de limites superiores em um algoritmo
Branch-and-Bound presente na literatura. Os critérios de escolha de parada e movi-
mentos usam ideias do Algoritmo 4.2, proposto em Finn e Horowitz (1979), e estra-
tégias com estrutura de dados propostas em Schroeppel e Shamir (1981). Graças a
essa fundamentação, o ILS se mostrou superior a todas as heurísticas construtivas
da literatura, encontrando respostas, no pior caso, 3 vezes menores que a Heurística
de Karmarkar-Karp (KK).
Propôs-se uma série de melhorias no Complete Greedy Algorithm (CGA), apre-
sentado no Algoritmo 4.12 e proposto em Korf (1998). As modificações que refinam
os limitantes do método, usando a relaxação do modelo matemático mostrado nas
Expressões (2.25)-(2.29), e o Iterated Local Search (ILS), na forma proposta, aumen-
taram a complexidade de exploração de cada nó do Algoritmo CGA+ILS em relação

61
7.2 Considerações Finais 62

ao CGA, mas reduziram a necessidade de exploração de nós para convergência do

método. O critério de busca do Algoritmo 5.7 permitiu a antecipação de cortes em
troca de um maior custo de inserção e retirada. Falseou-se a hipótese de exatidão da
solução do ILS por meio de CGA e CGA+ILS em todas as instâncias testadas. Por
fim, concluiu-se que o CGA+ILS convergiu para resposta melhores, não exatas, em
todas as instâncias, com exceção daquelas de tamanho 100, na qual ambos alcança-
ram a otimalidade. Porém, o CGA+ILS conseguiu este resultado explorando menor
número de nós em relação ao aumento de complexidade das melhorias inseridas.

7.1 Considerações Finais

A proposta de uso de meta-heurísticas em métodos exatos se mostra promis-
sora, no sentido de acelerar a busca de soluções exatas. A análise do tempo de
execução não consta nos resultados, pois a contagem de operações fundamentais do
algoritmo é uma metodologia que torna a comparação futura desse trabalho com
outros independente do hardware adotado. Uma contrapartida do uso de uma fila
de prioridades na busca dos métodos exatos pode ser o aumento do tamanho da fila,
mesmo com a antecipação de cortes. Para um planejamento de experimentos mais
adequado com análise estatística, regressão e correlação, necessita-se de um maior
volume de dados colhidos, maior tempo de computação, separação de cada modi-
ficação realizada para se verificar o efeito individual das melhorias sobre a solução
encontrada, uso de memória e complexidade do algoritmo.

7.2 Trabalhos Futuros

Como trabalhos futuros, tem-se a formulação de uma função objetivo que man-
tenha o problema equivalente e, em cada subproblema associado a um nó, retorne
uma sequência de limites inferiores que se aproximem mais rapidamente dos seus
respectivos limitantes superiores.
A coleta e análise de dados sobre a execução do algoritmo em cada instância
teste ainda pode incluir dados como:

• Tamanho máximo atingido pela fila para encontrar a solução exata de uma
instância. Este dado ajuda a decidir se o método deve usar fila comum, fila
de prioridades ou uma pilha;

• Tamanho da fila em função do número de nós explorados. Este dado descreve

o comportamento do número de nós ativos, diretamente ligados à convergência
do método, e serve como medida de uso de memória em função do tempo;

• Menor limite superior encontrado e menor limite inferior ativo em função do

número de nós explorados. Este dado mostra uma curva decrescente de limites
superiores e uma curva crescente de limites inferiores se aproximando à medida
que os nós da árvore de busca crescem;

• O número médio de nós explorados para uma instância de tamanho n e um k

fixo. Estes dados auxiliam na estimativa da complexidade do algoritmo;
7.2 Trabalhos Futuros 63

• O número médio do tamanho máximo da fila para uma instância de tamanho

n e um k fixo. Estes dados auxiliam na estimativa do custo de memória do
algoritmo;

• Regressão exponencial aplicada aos dados acima para estimar o custo de me-
mória e a complexidade de tempo. Um método Branch and Bound, imple-
mentado com busca em largura ou busca prioritária, ainda tem complexidade
exponencial de tempo e memória. Mesmo que seja impossível descobrir sua
complexidade exata, estes dados auxiliam na estimativa da base da função
exponencial que descreve a complexidade do algoritmo.

Ainda não existe a demonstração de que o algoritmo 5.5 retorna a solução exata
de qualquer subproblema relaxado associado ao nó segundo o modelo matemático
(2.25)-(2.29). Este é um trabalho em andamento.
Outro possível trabalho futuro seria obter a volta direta da redução apresentada
M W N P P ≤p (T W N P P ).
Referências Bibliográficas

Ausiello, G.; Crescenzi, P.; Kann, V.; Gambosi, G.; Spaccamela, A. M. e Protasi, M.
(2003)a. Complexity and Approximation: Combinatorial Optimization Problems and
Their Approximability Properties, Capítulo Sequential Algorithms for Partitioning
Problems, p. 50–60. Springer-Verlag New York, Inc., 1st edição.

Ausiello, G.; Crescenzi, P. e Protasi, M. (1995). Approximate solution of NP opti-

mization problems. Theoretical Computer Science, v. 150, n. 1, p. 1–55.

Ausiello, Giorgio; Crescenzi, Pierluigi; Gambosi, Giorgio; Kann, Viggo; Marchetti-

Spaccamela, Alberto e Protasi, Marco. (2003)b. Complexity and approximation:
Combinatorial optimization problems and their approximability properties. Springer,
corrected edition edição.

Berretta, Regina e Moscato, Pablo. (1999). The number partitioning problem: An

open challenge for evolutionary computation? Corne, David; Dorigo, Marco; Glo-
ver, Fred; Dasgupta, Dipankar; Moscato, Pablo; Poli, Riccardo e Price, Kenneth V.,
editors, New Ideas in Optimization, p. 261–278. McGraw-Hill, Maidenhead, En-
gland, UK.

Crescenzi, Pierluigi; Kann, Viggo; Halldórsson, Magnús; Karpinski, Marek e

Woeginger, Gerhard. A compendium of NP optimization problems. URL:
https://www.nada.kth.se/ viggo/problemlist/compendium.html, July(1997).

Ferreira, Fernando Fagundes. Análise estatística do problema da partição numérica.

Tese de Doutorado, Universidade de São Paulo, (2001).

Finn, Greg e Horowitz, Ellis. (1979). A linear time approximation algorithm for
multiprocessor scheduling. BIT Numerical Mathematics, v. 19, n. 3, p. 312–320.

Garey, Michael R. e Johnson, David S. (1979). Computers and Intractability: A

Guide to the Theory of NP-Completeness. W. H. Freeman & Co., New York, NY,
USA.

Gent, Ian P. e Walsh, Toby. (1995). The number partition phase transition. Technical
Report RR-95-185, Department of Computer Science, University of Strathclyde,
Glasgow, Scotland.

Gent, Ian P. e Walsh, Toby. (1998). Analysis of heuristics for number partitioning.
Computational Intelligence, v. 14, n. 3, p. 430–451.

64
 Referências Bibliográficas 65

Graham, Ronald L. (1966). Bounds for certain multiprocessing anomalies. The Bell
System Technical Journal, v. XLV, n. 9, p. 1563–1581.

Graham, Ronald L. (1969). Bounds on multiprocessing timing anomalies. SIAM

Journal on Applied Mathematics, v. 17, n. 2, p. 416–429.

Griffiths, Martin e Mezo, István. (2010). A generalization of Stirling numbers of the

second kind via a special multiset. Journal of Integer Sequences, v. 13, n. 2, p. 3.

Hayes, Brian. (2002). Computing science: The easiest hard problem. American
Scientist, v. 90, p. 113–117.

Horowitz, Ellis e Sahni, Sartaj. (1974). Computing partitions with applications to

the knapsack problem. Journal of the ACM, v. 21, n. 2, p. 277–292.

Joosten, Sebastiaan J. C. e Zantema, Hans. (2013). Relaxation of 3-partition instan-

ces. Cornelissen, Kamiel; Hoeksma, Ruben; Hurink, Johann e Manthey, Bodo, edi-
tors, 12th Cologne-Twente Workshop on Graphs and Combinatorial Optimization,
Enschede, Netherlands, May 21-23, 2013, volume WP 13-01 of CTIT Workshop
Proceedings, p. 133–136, (2013).

Karmarkar, Narendra e Karp, Richard M. (1982). The differencing method of

set partition. Report UCB/CSD 81/113, Computer Science Division, University of
California, Berkeley, CA.

Karp, Richard M. (1972). Reducibility among combinatorial problems. Miller, Ray-

mond E.; Thatcher, James W. e Bohlinger, Jean D., editors, Proceedings of a sym-
posium on the Complexity of Computer Computations, held March 20–22, 1972, p.
85–103, IBM Thomas J. Watson Research Center, Yorktown Heights, New York,
USA. Springer US.

Kojić, Jelena. (2010). Integer linear programming model for multidimensional two-
way number partitioning problem. Computers & Mathematics with Applications, v.
60, n. 8, p. 2302–2308.

Korf, Richard E. (1998). A complete anytime algorithm for number partitioning.

Artificial Intelligence, v. 106, n. 2, p. 181–203.

Korf, Richard E. (2009). Multi-way number partitioning. Proceedings of the 21st

International Joint Conference on Artificial Intelligence (IJCAI 2009), p. 538–543,
(2009).

Korf, Richard E. (2010). Objective functions for multi-way number partitioning.

Proceedings of the Third Annual Symposium on Combinatorial Search (SOCS 2010),
(2010).

Korf, Richard E. (2011). A hybrid recursive multi-way number partitioning algo-

rithm. Proceedings of the 22nd International Joint Conference on Artificial Intelli-
gence (IJCAI 2013), p. 591–596, (2011).
 Referências Bibliográficas 66

Korf, Richard E.; Schreiber, Ethan L. e Moffitt, Michael D. (2014). Optimal se-
quential multi-way number partitioning. International Symposium on Artificial In-
telligence and Mathematics (ISAIM-2014), (2014).

Korte, Bernhard; Vygen, Jens; Korte, B e Vygen, J. (2012). Combinatorial optimi-

zation, volume 2. Springer.

Land, A. H. e Doig, A. G. (1960). An automatic method of solving discrete pro-

gramming problems. Econometrica, v. 28, n. 3, p. 497–520.

Langston, Michael A. (1982). Improved 0/1-interchange scheduling. BIT Numerical

Mathematics, v. 22, n. 3, p. 282–290.

Lima, Elon Lages. (2004). Análise real. IMPA, Rio de Janeiro, Brasil.

Lourenço, Helena R.; Martin, Olivier C. e Stützle, Thomas. (2003). Iterated local
search. Glover, Fred e Kochenberger, Gary A., editors, Handbook of Metaheuristics,
p. 320–353. Springer US, Boston, MA.

Mertens, Stephan. (2006). The easiest hard problem: Number partitioning. Per-
cus, A.G.; Istrate, G. e Moore, C., editors, Computational Complexity and Statistical
Physics, p. 125–139, New York. Oxford University Press.

Michiels, Wil; Korst, Jan; Aarts, Emile e others,. (2003). Performance ratios for the
Karmarkar-Karp differencing method. Electronic Notes in Discrete Mathematics, v.
13, p. 71–75.

Moffitt, Michael D. (2013). Search strategies for optimal multi-way number partiti-
oning. Proceedings of the Twenty-Third international joint conference on Artificial
Intelligence, p. 623–629. AAAI Press, (2013).

Pedroso, João Pedro e Kubo, Mikio. (2010). Heuristics and exact methods for
number partitioning. European Journal of Operational Research, v. 202, n. 1, p.
73–81.

Pop, Petrică C e Matei, Oliviu. (2013). A memetic algorithm approach for solving
the multidimensional multi-way number partitioning problem. Applied Mathematical
Modelling, v. 37, n. 22, p. 9191–9202.

Schreiber, Ethan L. Optimal Multi-Way Number Partitioning. PhD thesis, Univer-

sity of California Los Angeles, (2014).

Schreiber, Ethan L. e Korf, Richard E. (2014). Cached iterative weakening for

optimal multi-way number partitioning. Proceedings of the Twenty-Eighth Annual
Conference on Artificial Intelligence (AAAI-14), p. 2738–2745, (2014).

Schroeppel, Richard e Shamir, Adi. (1981). A T = O(2n/2 ), S = O(2n/4 ) algorithm

for certain NP-complete problems. SIAM journal on Computing, v. 10, n. 3, p.
456–464.

Sipser, Michael. (2006). Introduction to the Theory of Computation, volume 2.

Thomson Course Technology Boston.
 Referências Bibliográficas 67

Sloane, NJA. On-Line Encyclopedia of Integer Sequences. https://oeis.org/, (1991).

Stanley, Richard P. (1997). Enumerative Combinatorics. Vol. 1, vol. 49 of Cam-

bridge Studies in Advanced Mathematics, volume 1 of Cambridge Studies in Advanced
Mathematics. Cambridge University Press, Cambridge, 2nd edição.